In digitalisierten Fernwärmenetzen senden die Kunden bzw. Smart Meter ihre Messdaten kontinuierlich über eine Datenverbindung an die Betreiber*in. Das allgemeine Leitsystem ist mit den Energieerzeuger*innen und Wärmeverbraucher*innen ("Demand Side") verbunden, so dass Messdaten des gesamten Systems kontinuierlich zur Verfügung stehen. Um das Potenzial dieser Daten auszuschöpfen, werden seit Jahren Analysemethoden auf Basis von maschinellem Lernen und dynamischer Modellierung erprobt. Die Leistungsfähigkeit und Genauigkeit dieser Methoden hängt jedoch stark von der Qualität der verwendeten Eingangsdaten ab. Daher ist die Verfügbarkeit von großen Datensätzen mit guter Datenqualität für all diese Methoden unerlässlich.
Leider ist die Datenqualität realer Messdaten oft schlecht: Lücken, Messrauschen, Ausreißer, Übertragungsfehler etc. sind oft der limitierende Faktor, um Analysemethoden in realen Systemen anzuwenden und damit das Optimierungspotenzial tatsächlich auszuschöpfen. Um diese Probleme zu adressieren, konzentriert sich dieses Projekt auf die Verbesserung der Datenqualität von Messdaten von Fernspeisesystemen. Dazu wird ein neuartiger Ansatz erforscht, der physikalische Modelle mit datengetriebenen Ansätzen kombiniert.
Als Ergebnis des Projektes wird eine umfassende Evaluierung und Charakterisierung von datengetriebenen Analysemethoden mit besonderem Fokus auf deren Datenqualitätsanforderungen und von Data Science Methoden zur Verbesserung der Datenqualität von Messdaten auf Basis realer Messdaten vorliegen. Die Projektergebnisse haben das Potenzial, die Bedeutung datengetriebener Analysemethoden für moderne Energiesysteme zu erhöhen. Die Erkenntnisse und Ergebnisse des Projekts werden wissenschaftlich verbreitet; ausgewählte Datensätze, Code-Module und Dokumentationen werden in einem Open-Access-Repository zur Verfügung gestellt.
Österreichische Forschungsförderungsgesellschaft - FFG
AEE - Institut für nachhaltige Technologien