Effizienzsteigerungen im Fernwärmenetzbetrieb durch maschinelles Lernen (ML4FW)
Use-Case-Entwicklung und -Bewertung
Optimierung des Betriebs von Hausübergabestationen in Fernwärmenetzen
Der Bericht des Projekts „ML4FW“ zeigt, wie Machine Learning Reglerparameter von Fernwärme-Hausstationen optimiert, Rücklauftemperaturen senkt und die Netzeffizienz steigert.
Senkung der Rücklauftemperaturen um ca. 2–3 K
Auf Basis eines Feldtests in Bestandsgebäuden in Neubrandenburg wurden Reglerparameter von Hausübergabestationen (HAST) per Machine Learning (Auto-/Continuous-Commissioning) optimiert: Rücklauftemperaturen sanken um ca. 2–3 K und zeigen Effizienz- und Kostenpotenziale im Fernwärmebetrieb. Zusätzlich wurde eine Bewertungsmethodik mit Fragebogen als Open-Source-Tool entwickelt. Diese dient dazu, Nutzen, Aufwand und Risiken weiterer ML-Use-Cases systematisch einzuordnen. Außerdem lassen sich mit der Bewertungsmethodik nächste Schritte für die Umsetzung ableiten. Der Projektbericht ML4FW entstand in Kooperation mit Fraunhofer IEE/IBP, SAMSON/KT-Elektronik und NeuWoBa.
Mit diesem Bericht möchten wir Entscheiderinnen und Entscheider aus Politik, Wohnungswirtschaft, Energieversorgung, Wissenschaft und Digitalbranche über die Erkenntnisse und Ergebnisse von ML4FW informieren und gleichzeitig dazu ermutigen, die Chancen digitaler Technologien aktiv zu nutzen.
Kernergebnisse zu Effizienzsteigerungen im Fernwärmenetzbetrieb
Die wesentlichen Ergebnisse des Projektberichts „Effizienzsteigerungen im Fernwärmenetzbetrieb durch maschinelles Lernen (ML4FW)“ sind:
- Machine Learning kann das Auto- und Continuous-Commissioning von Fernwärme-Hausstationen praxisnah unterstützen und Reglerparameter datenbasiert nachschärfen.
- Im Feldtest wurden Rücklauftemperaturen im Mittel um rund 2–3 K reduziert, bei gleichzeitig stabiler Anlagenfunktion.
- Eine standardisierte Vorgehenslogik, klare Datenanforderungen und ein MLOps-Setup (MLOps: Machine Learning Operations) sind entscheidend für Skalierung und Betrieb.
- Der im Projekt entwickelte Fragebogen ermöglicht eine strukturierte Bewertung von Potenzial, Aufwand, Governance und Risiken.
Fit für die Praxis im Fernwärmenetzbetrieb: Machine Learning, Lessons Learned und Fragebogen
Für Fernwärmeunternehmen zeigt der Bericht, wie ML-gestütztes (Continuous-)Commissioning von Hausstationen praktisch aufgesetzt werden kann, um Rücklauftemperaturen im Betrieb um 2–3 K zu senken. Der Bericht geht auch auf Daten-/IT-Voraussetzungen, MLOps-Betrieb und typische Hürden aus der Umsetzung ein.
Gebäudebetreiber und Sanierungsunternehmen können mit dem über Open Source bereitgestellten Fragebogen ML-Use-Cases bewerten und priorisieren. Sie erhalten je Use Case konkrete nächste Schritte (benötigte Datenquellen, Metriken, Testdesign) für eine belastbare Pilotierung und spätere Skalierung.
