„nachhaltige technologien 03 | 2022"

ist eine vertiefte Kenntnis des Netzes oder Subnetzes bis zur Ebene einzelner Komponenten nötig. Im Ge- gensatz zu Machine Learning-Techniken setzt dies Domänenwissen in Form von physikalischen Zusam- menhängen (Temperatur- und Druckverteilungen, Pumpenleistungen, etc.) voraus. Zur Illustration der Methodik ist in untenstehender Abbildung das Vorge- hen für die Ergänzung von Datenlücken im Fall von Plattenwärmeübertragern dargestellt. Nach der auto- matisierten Detektion der Datenlücken wird ein Simu- lationsmodell ausgewählt, das fehlende Datenkanäle als Simulationsoutput hat. Dieses wird mit Messdaten unmittelbar vor dem Auftreten der Datenlücke initia- lisiert, eine Simulation für den fehlenden Zeitraum durchgeführt und fehlende Messdaten schließlich durch Simulationsdaten ersetzt. Das Vorgehen ist vollständig automatisierbar. Die bisherigen Ergebnisse zeigen, dass sowohl Data Science- und Data Imputation-Methoden leistungsfä- hige Methoden für die Verbesserung der Datenquali- tät von Messdaten von Fernwärmenetzen sind und einen entscheidenden Schritt zur Digitalisierung beitragen können. kommen fast ausschließlich einfache Methoden wie der gleitende Median zum Einsatz, bei fehlenden Daten ist lineare Interpolation am häufigsten. Die eingesetzten Methoden für den Umgang mit schlech- ter Datenqualität werden dabei selten detailliert beschrieben, sodass die Auswirkungen auf die Ergeb- nisse im Dunkeln bleiben. Nutzung von Data Science und simulationsbasier- ten Methoden zur Verbesserung der Datenqualität Im Sondierungsprojekt wurden anhand realer Mess- daten von Fernwärmenetzen Data Science-Methoden entwickelt und evaluiert, um die Datenqualität und damit die Robustheit, Präzision und Anwendbarkeit von datengetriebenen Methoden für den Fernwärme- sektor zu verbessern. Ergebnis ist eine „Data Cleaning Pipeline“ für Zeitreihendaten, um typische Fehler- muster von Fernwärmedaten (z. B. Ausreißer) zu er- kennen und zu korrigieren. Dazu wurden verschiedene Methoden (z. B. Isolation Forest, Robust Kernel Den- sity Estimation, Subspace Outlier Detection) vergli- chen. Insgesamt zeigten sich ein stark variierender Reifegrad für Fernwärmeanwendungen und signifi- kante Unterschiede in Effizienz, Effektivität und Ab- hängigkeit der Machine Learning Algorithmen von den gewählten Feintuning-Einstellungen (sogenannte „Hyperparameter“). Keine der untersuchten Metho- den zeigte für alle Datenprobleme die besten Resul- tate, womit in der Praxis die Auswahl der besten Methode immer auf den konkreten Anwendungsfall abgestimmt werden muss. Ein gänzlich neuer, im Projekt entwickelter Ansatz für den Umgang mit Datenlücken, ist die simulationsba- sierte Generierung von fehlenden Messdaten. Diese Data Imputation-Methode eignet sich besonders für längere Datenlücken bzw. den gleichzeitigen Ausfall mehrerer Kanäle (z. B. Ausfall von Abnehmerdaten über einige Tage). Zur Schließung solcher Datenlücken Marnoch Hamilton-Jones, M. Eng. und Dipl.-Ing. Mag. Daniel Tschopp sind wissenschaftliche Mitarbeiter des Bereichs „Technologieentwicklung - Erneuerbare Energien” bei AEE INTEC. m.hamilton-jones@aee.at, d.tschopp@aee.at Basak Falay, M.Sc. und Lorenz Leppin, M.Sc. sind wissenschaftliche Mitarbeiter des Bereichs „Städte und Netze” bei AEE INTEC. b.falay@aee.at , l.leppin@aee.at Weiterführende Informationen / Links im E-Paper [1] H. Lund et al., “The status of 4th generation district heating: Research and results,” Energy, vol. 164, pp. 147–159, 2018, doi: 10.1016/j. energy.2018.08.206. [2] C. Ntakolia, A. Anagnostis, S. Moustakidis, and N. Karcanias, “Machine learning applied on the district heating and cooling sector: a review,” Energy Syst, vol. 13, no. 1, pp. 1–30, 2022, doi: 10.1007/s12667-020-00405-9. Workflow für die simulationsbasierte Data Imputation-Methode am Beispiel eines Platten- wärmeübertragers Quelle: AEE INTEC Datenlücken erkennen 1 2 3 4 5 Wahl Simulations. modell In Abhängigkeit der fehlenden Datenkanäle wird ein Simulations- modell gewählt Letzter Betriebspunkt wird zur Initialisierung des Modells genutzt Simulation über den fehlerhaften Zeitraum mit bestehenden Daten als Inout Simulationsoutput ergänzt Datenlücken Dymola Library Fehlerhafte Daten werden markiert Initialisierung Simulation Ergänzen fehlender Daten 29 28 TECHNOLOGIEENTWICKLUNG