Predict IT – Vorhersage von Fernwärmelasten. Eine benutzerfreundliche Open-Source Plattform mit neuronalen Netzen.
Léo Bonal, Data Science & KI-Spezialist in der Abteilung Computational Sustainability bei V-Research GmbH hat bei der ISEC-Konferenz 2024 in Graz teilgenommen. Die ISEC 2024, die 3. Internationale Konferenz für nachhaltige Energie, befasste sich heuer mit der Rolle des Wärmesektors und der Ressourceneffizienz in einem vernetzten nachhaltigen Energiesystem. Die ISEC 2024 versteht sich als Impulsgeber für innovative Ideen für Forschung, Wirtschaft und Energiepolitik. Das Konferenzprogramm besteht aus eingeladenen Referenten aus Industrie, Wissenschaft und Politik sowie aus Vorträgen und Posterpräsentationen von Forschern aus allen Kontinenten. Als Mitautor des Papers Predict-IT stellt er Erkenntnisse zum Thema Open-Source Plattform mit neuronalen Netzen vor.
Fernwärmesysteme zählen zu den umweltfreundlichsten Formen der Heizungs- und Warmwasserbereitung. Eine intelligente Nutzung der Betriebsdaten könnte allerdings einen noch effizienteren Betrieb der Anlageninfrastruktur ermöglichen. Die webbasierte Plattform “Predict-IT” standardisiert hierfür die Daten-Pipeline einschließlich Upload, Prognosen der Wärmelast durch eine KI, und die Visualisierung.
Während der Forschungsschwerpunkt zu diesem Thema zumeist ausschließlich auf dem Vorhersagealgorithmus liegt, verfolgt das vom ACR-geförderte Projekt Predict-IT mit seinem innovativen Long Short-Term Memory (LSTM)-basierten neuronalen Netzalgorithmus (NN), der Anlagenunabhängigkeit und der webbasierten Open-Source-Lizenz einen ganzheitlichen KI-gestützten Ansatz zur einfachen, kommerziellen Nutzung und Verbreitung.
Zur Entwicklung, Training und Bewertung des Algorithmus werden historische Wärmelastdaten hochgeladen, aufbereitet und in einen Trainings- und Evaluierungsdatensatz aufgeteilt. Der resultierende Algorithmus wird dann für die Vorhersage der Wärmelast mit zukünftigen Daten gespeichert. Obwohl LSTM-basierte NNs im Vergleich längere Trainingszeiten benötigen sind sie vorteilhaft, da sie komplexe Zusammenhänge besser darstellen können.
Der Benutzer legt den Vorhersagehorizont fest und das Vorhersagemodell verknüpft die Wärmelasten der vergangenen Beobachtungsperiode mit der automatisch abgerufenen Wetterprognose entsprechend in zwei LSTM-Schritten. Durch die gezielte Selektion der idealen Hyperparameter für das Modelltraining und die Verwendung des fertig implementierten Gittersuchansatzes von KerasTuner wird eine komplette, rechenintensive Hyperparameter-Optimierung vermieden. Anstelle einer teuren CUDA-kompatiblen Grafikkarte ist so eine konventionelle NVIDIA Quadro P2000 Grafikkarte für das Training ausreichend.
Die vorgeschlagene Methode wurde anhand der Datensätze von zwei lokalen österreichischen Fernwärmenetzen validiert. Die zwei Trainingsdatensätze führten zu zwei unterschiedlich komplexen Modellen, die an beiden Evaluierungsdatensätzen getestet wurden. Das komplexere Modell lieferte bessere Resultate, wobei selbst das einfachere Modell den Gesamttrend immer noch korrekt abbildete.
Das KI-gestützte Predict-IT vereinfacht die effiziente Nutzung von Heizungsressourcen. Es reduziert die Abhängigkeit von Expertenwissen für Heizlastprognosen und sorgt für einen stabileren und zuverlässigeren Betrieb. Predict-IT liefert auf der Grundlage historischer Daten und Wettervorhersagen mit minimalem Aufwand exakte Wärmelastprognosen für Fernwärmenetze, da Wetterdaten standortabhängig automatisch abgerufen werden und nur das Hochladen der Wärmelastdaten einschließlich Zeitstempel erforderlich ist. Predict-IT zeichnet sich durch eine benutzerfreundliche Installation via Docker und webbasierte Nutzung aus, ist unabhängig von der Anlagensteuerung, und für kommerzielle Zwecke unter einer Open-Source-Softwarelizenz verfügbar. Das unterstütz eine breite Zugänglichkeit und Zusammenarbeit.
Zum Download: Für detaillierte Informationen steht das originale Paper zur ISEC-Konferenz, “Predict-IT – Forecasting District Heating Loads: An Open-Source and User-Friendly Neural Network-Powered Platform” zum Download zur Verfügung. Bildnachweis: V-Research GmbH, Dornbirn, Arno Grabher-Meyer.
Erklärung zur Datenverfügbarkeit: Die Datensätze der beiden lokalen österreichischen Fernwärmenetze werden nicht öffentlich zugänglich gemacht, um die Anonymität der Anlagenbetreiber zu wahren.
Konkurrierende Interessen: Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.
Finanzierung: Dieser Arbeit im Rahmen des Projekts “PredictIT 2.0” (ACR Projektnummer SP-2022-05) wurde dankenswerterweise von der Austrian Cooperative Research (ACR) finanziert.
Danksagung: Wir danken den beiden lokalen österreichischen Fernwärmenetzen für die Bereitstellung der Daten für das Training und zur Validierung.
- Modelldiagramm des zweistufigen LSTM-basierten neuronalen Netzes, das die Heizlastdaten mit den Wettervorhersagedaten zusammenführt ↩︎
- Ergebnisse der Wärmelastvorhersage. In blau die vergangenen Wärmelasten, pink strichliert die Vorhersagen und grün die die tatsächlichen zukünftigen Wärmelasten. ↩︎
- Nutzungsschema der Predict-IT-Plattform am Beispiel zum Hochladen von Daten (grau: Schritte, die im Hintergrund ablaufen). ↩︎
