KI-gestützter Modelltransfer für die energetische Optimierung von Retrofit-Fernwärmenetzen
Projektdurchführung
Naotilus GmbH
Maria-Goeppert-Str. 3
23562 Lübeck
Zielsetzung
Ziel des Projekts AURA – KI-gestützter Modelltransfer für die energetische Optimierung von Retrofit-Fernwärmenetzen ist die Entwicklung eines neuen Ansatzes für den Wissenstransfer in der Fernwärmeversorgung. AURA ermöglicht es, Optimierungspotenziale, die bislang nur in datenreichen Fernwärmesystemen identifizierbar waren, auch in datenarmen Netzen nutzbar zu machen. Damit leistet das Projekt einen wichtigen Beitrag zur Dekarbonisierung der Wärmeversorgung im Gebäudesektor, indem die energetische Optimierung von Fernwärme-Hausstationen für Mitarbeitende von Versorgungsunternehmen deutlich vereinfacht wird.
In Deutschland werden über 1,3 Millionen Gebäude mit Fernwärme versorgt, überwiegend über ältere Bestandsnetze. Durch den gesetzlich vorgeschriebenen Wärmezähler-Retrofit (FFVAV) liefern moderne Wärmezähler stündliche Messwerte statt nur eines Jahreszählers. Diese Umrüstung dient primär der unterjährigen Verbrauchserfassung, eröffnet jedoch zusätzliche Analysepotenziale.
Fehlerbilder an Hausstationen und Gebäuden, die in detaillierten Regler-Zeitreihen sichtbar sind, spiegeln sich grundsätzlich auch in den Zählerdaten wider. Dort werden sie jedoch häufig von unterschiedlichen Betriebssituationen und Regelungsvorgängen überlagert, sodass eine manuelle Ferndiagnose zeitaufwendig ist und viel Erfahrung erfordert.
AURA setzt hier an: Mithilfe intelligenter Mustererkennung sollen relevante Fehlerbilder automatisiert aus Zählerdaten extrahiert werden – auch in Retrofit-Netzen mit geringerer zeitlicher Auflösung. Die dafür entwickelten Modelle werden auf synthetisch generierten Datensätzen trainiert und anschließend mit realen Zählerdaten der beteiligten Netze validiert und optimiert.
So entsteht eine generalisierende Lösung für unterschiedliche Wärmenetze und Gebäudetypen. Entscheidende Stellschrauben wie Lastspitzen, Temperaturen und Volumenströme können damit auch unter Zeitdruck und bei eingeschränkter Datenlage effektiv optimiert werden. Es wird erwartet, dass sich mit AURA die CO₂-Emissionen eines Wärmenetzes mit 1 TWh jährlicher Wärmelieferung um mindestens 12.500 Tonnen reduzieren lassen, insbesondere durch geringere Netzverluste und einen reduzierten Pumpenstrombedarf.
Arbeitsschritte
AURA nutzt die umfangreichen Messdaten tausender moderner Hausstationen, um typische Fehlerbilder mithilfe numerischer Verfahren systematisch zu extrahieren. So entsteht ein umfangreicher Trainingsdatensatz, der ohne manuellen Aufwand automatisch gelabelt wird. Im nächsten Schritt werden die zum Labeln verwendeten Messdaten gezielt auf eine definierte Minimalkonfiguration reduziert, vergleichbar mit der Datenlage klassischer Fernwärmesysteme. Mit diesen reduzierten Daten und den generierten Labels werden KI-Modelle trainiert, die typische Fehlerbilder auch in einfachen Wärmezählerdaten zuverlässig erkennen. So können Optimierungspotenziale, die bislang verborgen blieben, künftig automatisiert erkannt und gemeldet werden.
Im Unterschied zu schwellwert-/KPI-Analysen identifiziert AURA mit sequenzbasierten KI-Modellen und baumbasierten Lernverfahren charakteristische Fehlersignaturen auch in stündlichen, teils lückenhaften WMZ-Daten deutlich robuster. Das senkt False Positives, spart Prüfzeit und macht Befunde netzübergreifend nutzbar.