EnableDigitalDH Data Science für bessere Datenqualität: missing link für eine erfolgreiche datengetriebene Digitalisierung der Fernwärme

Das Sondierungsprojekt EnableDigitalDH verbindet Know-how und Erfahrung zweier erfolgreicher Forschungsinstitute: AEE INTEC im Bereich thermischer Energiesysteme und Fernwärme, Know-Center im Bereich Big Data und Machine Learning. In einem interdisziplinären Ansatz werden Methoden zur Verbesserung der Qualität von Messdaten durch intelligente datengetriebene Modelle sondiert. Messdaten zahlreicher realer Fernwärme-Systeme liegen AEE INTEC vor, die im Projekt als Use Cases verwendet werden können. Das Know-Center hat Expertise im Bereich von Data-Science-Methoden für Data Cleaning, Outlier Detection, Data Imputation etc.

Ausgangssituation

Mehr als 50% des gesamten Energieverbrauchs in Europa wird für Heiz- und Kühlzwecke verwendet. Fernwärme ist eine zentrale Technologie für die Dekarbonisierung dieses Sektors und die Erreichung europäischer und globaler Klimaziele, insbesondere vor dem Hintergrund der Transition zu Smarten Energiesystemen. Hier werden zunehmend Erneuerbare Energieträger, Speicher, Gebäude und Prosumer miteinander vernetzt und Wärme-Strom- und Gasnetze gekoppelt. Die Digitale Transformation der Fernwärme eröffnet das Potenzial, diese zunehmend komplexer werdenden Systeme effizienter, intelligenter, flexibler und zuverlässiger zu betreiben.
In digitalisierten Fernwärmenetzen schicken Kunden bzw. Smart Meter ihre Messdaten laufend über eine Datenverbindung an den Betreiber. Die Systemregelung ist mit den Energieerzeugern und den Wärmeabnehmern („demand side“) in Verbindung, sodass laufend Messdaten des gesamten Systems vorliegen. Im Unterschied zu Smart Metern im Stromnetz steht bei Wärmenetzen eine ungleich größere Datenbasis zur Verfügung; typisch sind im „Fernwärme Big Data“ zeitlich hochaufgelöste Messungen mit mehreren 1000 Kanälen. Diese Messdaten müssen so verarbeitet werden, dass sie direkt zur Echtzeit-Entscheidungsfindung und Optimierung der Netze beitragen. Zur Nutzung dieser Potenziale werden seit Jahren Analysemethoden aus den Bereichen Machine Learning und dynamische Modellierung erprobt. Die Leistungsfähigkeit und Präzision dieser Methoden hängt allerdings stark von der Qualität der verwendeten Inputdaten ab. Ein wesentlicher Grundpfeiler all dieser Methoden ist daher die Verfügbarkeit großer Datenmengen in guter Datenqualität.

In der Praxis ist die Datenqualität leider häufig schlecht: Datenlücken, Messrauschen, Ausreißer, Fehler bei der Übertragung etc. sind in der Praxis oft der limitierende Faktor, um Analysemethoden anwendbar zu machen und damit die Optimierungspotenziale auch tatsächlich ausschöpfen zu können. Daher setzt das beantragte Projekt den Fokus auf die Verbesserung der Datenqualität der Messdaten von Fernwärme¬systemen: Das Sondierungsprojekt EnableDigitalDH erforscht Werkzeuge und Methoden, um die Robustheit, Präzision und Anwendbarkeit von datengetriebenen Analyse-, Prognose- und Fehler-detektions- methoden für Fernwärmesysteme zu verbessern. Davon profitieren gleichermaßen physikalische Methoden (dynamische Modelle, grey box Ansätze) als auch Machine Learning Methoden (black box Ansätze).