AT525571A4

AT525571A4 - Verfahren zur Steuerung eines thermischen Energieversorgungsnetzes

Info

Publication number: AT525571A4
Application number: ATA50144/2022A
Authority: AT
Original assignee: Beck & Partner Kg
Priority date: 2022-03-08
Filing date: 2022-03-08
Publication date: 2023-05-15
Also published as: WO2023168471A1; AT525571B1

Abstract

Computerimplementiertes Verfahren zur Erkennung und Behebung von Anomalien, insbesondere Unterversorgungszuständen, beispielsweise während des Einsatzes von abnehmerseitigen Lastbegrenzungen in einem thermischen Energieversorgungsnetz mit zumindest einer Energiequelle (1), die über ein primäres Verteilungsnetz (2) mit zumindest einer Übergabestation (10, 10‘, 10‘‘) zumindest eines Abnehmers (3, 3‘, 3‘‘) verbunden ist.

Description

Verfahren zur Steuerung eines thermischen Energieversorgungsnetzes

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Erkennung und Behebung von Anomalien in einem thermischen Energieversorgungsnetz, insbesondere von abnehmerseitigen Unterversorgungszuständen, die beispielsweise durch den

Einsatz von Lastbegrenzungen hervorgerufen werden.

Aus dem Stand der Technik sind Verfahren und Vorrichtungen zur Steuerung von thermischen Energieversorgungsnetzen, insbesondere von Fernwärmenetzen und Fernkältenetzen, die auf der Fernübertragung eines thermischen Mediums beruhen, bekannt. Derartige Energieversorgungsnetze umfassen in der Regel zumindest eine Energiequelle, die über ein Verteilungsnetz mit zumindest einer Übergabestation zumindest eines Abnehmers verbunden ist. An der Übergabestation erfolgt die Übergabe der Energie vom primären Verteilungsnetz in ein sekundäres Verteilungsnetz (Verbrauchsnetz).

Für derartige Energieversorgungsnetze sind Laststeuerungsverfahren bekannt, bei denen die Energielieferung an individuelle Abnehmer zeitweise reduziert oder unterbrochen wird, ohne dass daraus für den Benutzer eine merkbare Komfortreduktion resultieren soll (sog. Demand Side Management, DSM). Durch eine gezielte zeitliche Verschiebung der Abnehmer (Lastverschiebung) oder eine Begrenzung der möglichen Abnahmeleistung einzelner Abnehmer können dadurch Lastspitzenverringert werden. Die Summe der Lasten im Primärnetz wird dabei begrenzt, indem die Leistung ausgewählter Abnehmer teilbegrenzt wird. Die technische Umsetzung des DSM kann durch Verwendung einer Temperaturverschiebung des vom Regler errechneten Setpoints erfolgen. Eine weitere Methode ist die direkte Vorgabe des Setpoints (meist Vorlauftemperatur sekundär) durch Überschreiben des Regler-Ergebnisses. Auch kann die Leistung des Reglers durch Setzen eines Limits von der (reglerseitig eingestellten)

Maximalleistung temporär begrenzt werden.

Dazu gibt es noch weitere Einstellbarameter, wie z.B. die Auslösung eines Puffer- oder Warmwasserspeicher-Ladevorgangs oder die Sperre eines solchen. Dadurch wird zusätzliche Last ausgelöst oder Last durch Warmwasser-Nachfrage verhindert. Derartige Verfahren basieren in der Regel auf der Überwachung einzelner Indikatoren der Abnehmer und wenden statistische Zusammenhänge an, um Lasten abzuwerfen oder zu verschieben. Beispielsweise kann die Bereitstellung von Warmwasser zu gewissen Tageszeiten reduziert werden. Dies eignet sich gut für große Abnehmer wie Fabriken, Hotels oder Bürogebäude, stößt jedoch bei kleinen Einheiten, insbesondere privaten Haushalten, an ihre Grenzen, da derartige kleine Einheiten eine wesentlich höhere statistische Schwankungsbreite aufweisen.

Bei der Anwendung herkömmlicher abnehmerseitiger Laststeuerungsverfahren für private Haushalte ergeben sich deshalb häufig Unterversorgungszustände, was wiederum dazu führt, dass das Lastmanagement nur mit geringerer Intensität genutzt werden kann. Derartige Unterversorgungszustände werden abnehmerseitig als Anomalien wahrgenommen. Die Aufgabe der Erfindung besteht darin, ein Verfahren und eine Vorrichtung bereitzustellen, um derartige Anomalien, insbesondere jedoch die beschriebenen Unterversorgungszustände, frühzeitig zu erkennen und zu beheben, und

die Intensität sowie Effizienz der Nutzung des Lastmanagements zu erhöhen.

Diese und andere Probleme werden erfindungsgemäß mit einem computerimplementierten Verfahren und einer Vorrichtung gemäß den unabhängigen Patentansprüchen gelöst.

Ein erfindungsgemäßes Verfahren ist zur Erkennung und Behebung von Anomalien, insbesondere Unterversorgungszuständen, in einem thermischen Energieversorgungsnetz ausgebildet, beispielsweise während des Einsatzes abnehmerseitiger Lastbegrenzungen. Das Verfahren ist aber auch in anderen Situationen anwendbar, beispielsweise zur Erkennung von Engpässen oder wenn Lasten bei einem bestimmten Abnehmer zu Gunsten eines anderen Abnehmers reduziert werden müssen. Dabei können jegliche Abweichungen vom Normalzustand des Energieversorgungsnetzes als Anomalie bezeichnet werden; die Erfindung beschränkt sich also nicht auf den Einsatz von DSM.

Ein thermisches Energieversorgungsnetz zur Anwendung des Verfahrens verfügt über zumindest eine thermische Energiequelle, die über ein primäres Verteilungsnetz zur Verteilung eines Mediums, beispielsweise Wasser, mit zumindest einer Übergabestation zumindest eines Abnehmers verbunden ist. Dabei können eine Zahl i = 1,2, ..., N Abnehmer im Energieversorgungsnetz vorgesehen sein. Die Übergabestation dient dazu, Energie aus dem primären Verteilungsnetz in das sekundäre Verteilungsnetz zu übertragen, beispielsweise in ein Hausverteilungsnetz für Wärme oder Kälte. In der Regel umfasst die Übergabestation einen Wärmetauscher, zumindest ein Ventil und zumindest einen Regler, der die Temperatur und/oder den Durchfluss des Mediums regelt.

Das erfindungsgemäße Verfahren umfasst folgende Schritte:

Zunächst erfolgt eine Messung, durch eine Vielzahl von Sensoren, aktueller Messdaten Mi sowie eine Bestimmung, durch den Regler, von aktuellen Betriebszuständen B; des Abnehmers i, sowie eine Übermittlung der Messdaten Mi; und Betriebszustände B; an eine Datenverarbeitungseinheit. Die Übermittlung der Daten kann über eine drahtgebundene oder drahtlose Schnittstelle erfolgen, insbesondere über einen Internet-Router. Insbesondere kann es sich um einen Internet-Router handeln, der im

Regler integriert ist.

Die Datenverarbeitungseinheit kann als Mikrocontroller oder Mikrocomputer ausgebildet sein und eine zentrale Verarbeitungseinheit (CPU), einen flüchtigen Halbleiterspeicher (RAM), einen nichtflüchtigen Halbleiterspeicher (ROM, SSD-Festplatte), einen magnetischen Speicher (Festplatte) und/oder einen optischen Speicher (CD-ROM) sowie Schnittstelleneinheiten (Ethernet, USB) und dergleichen umfassen.

Danach erfolgt durch die Datenverarbeitungseinheit eine Abfrage einer Datenbank und Entnahme eines, dem Abnehmer zugeordneten Klassifizierungsmodells K;. Die Datenbank kann als Softwaremodul in der Datenverarbeitungseinheit, in einem von der Datenverarbeitungseinheit getrennten Computer oder in einem externen Server vorgesehen sein. Die Bestandteile der erfindungsgemäßen Datenverarbeitungseinheit und Datenbank sind dem Fachmann grundsätzlich bekannt.

Bei dem Klassifizierungsmodell Kikann es sich um ein beliebiges Verfahren aus dem Bereich des maschinellen Lernens handeln, beispielsweise um einen durch spezielle Algorithmen erzeugten Entscheidungsbaum. Es kann sich um Modelle des maschinellen Lernens handeln, die eine Vorhersage (Klassifizierung) erlauben, ob ein bestimmter Datensatz voraussichtlich als Anomalie (insbesondere als Unterversorgung) wahrgenommen wird. Im einfachsten Fall ist dies eine Klassifizierung in „OK“ und „nicht OK“, es ist aber auch die Berechnung einer numerischen Wahrscheinlichkeit möglich. Im ersten Fall löst ein gesetztes Kennzeichen den Vorgang aus, der die Anomalie beseitigen soll. Im zweiten Fall wird ein Wahrscheinlichkeitswert als Schwelle verwendet. Die Grundidee liegt darin, dass man über einen abnehmerspezifischen Lernprozess zu Modellen gelangt, die eine Prognose liefern, ob zum aktuellen Zeitpunkt beim Abnehmer i die Messdaten Mi; und Betriebszustandsdaten Bi; auf eine Anomalie,

insbesondere eine Unterversorgung, hindeuten.

Insbesondere kann zur Erstellung eines Entscheidungsbaums der Algorithmus J48 verwendet werden, eine Open-Source Implementierung eines C4.5 Algorithmus (siehe z.B. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, 1993), der verwendet werden kann, um aus einer Vielzahl von Trainingsdaten einen Entscheidungsbaum zu erzeugen, mit dem Datensätze klassifiziert werden können. Selbstverständlich können auch andere überwachte oder unüberwachte MachineLearning-Algorithmen zur Erstellung der Klassifizierungsmodelle herangezogen werden. Wesentlich für die Erfindung ist, dass das Klassifizierungsmodell Ki; abnehmerspezifisch ist, sodass in der Datenbank für jeden Abnehmer ein individuelles Klassifizierungsmodell Ki abgelegt ist. Auch die Auswahl der relevanten Messdaten Mi und Betriebszustände B; kann für jeden Abnehmer spezifisch sein.

Danach erfolgt durch die Datenverarbeitungseinheit eine Anwendung des gewählten Klassifizierungsmodells K; auf die aktuellen Messdaten Mi und die aktuellen Betriebszustände B; des Abnehmers, und eine Feststellung, ob ein

Unterversorgungszustand oder eine andere Anomalie vorliegt.

Sofern ein Unterversorgungszustand oder eine andere Anomalie erkannt wurde, erfolgt eine Ansteuerung, durch Sendung eines Datensignals F‘ von der Datenverarbeitungseinheit, eines Reglers oder eines Regelventils in der Übergabestation des Abnehmers zur Behebung des Unterversorgungszustands bzw. der Anomalie.

Die Beurteilung, ob ein Unterversorgungszustand oder eine andere Anomalie vorliegt, erfolgt also nicht anhand eines Schwellwertes, sondern durch Anwendung eines für den Abnehmer individuell erstellten Klassifizierungsmodells K; auf einen Datensatz umfassend Messdaten Mi; und Betriebszustände Bi; des Abnehmers bzw. der Übergabestation des Abnehmers. Das individuell für jeden Abnehmer in der Datenbank gespeicherte Klassifikationsmodell Ki; bildet die jeweils abnehmertypische Kombination von Messdaten Mi und Betriebszuständen Bi; ab, die im Fall der Anomalie bzw.

Unterversorgung beim jeweiligen Abnehmer auftreten.

Dadurch kann im laufenden Betrieb eine automatisierte Erkennung und Behebung von Anomalien ohne global einzustellende Schwellwerte erfolgen. Wird etwa eine Unterversorgung erkannt, dann werden allenfalls bestehende Lastbegrenzungen übersteuert, um durch eine Aufhebung oder Erhöhung des erlaubten Limits die Unterversorgung zu beseitigen. Wird keine Unterversorgung erkannt, so wird die allenfalls gesetzte Lastbegrenzung ohne Änderung übernommen. Es wird also nicht in jedem Fall ein geändertes Datensignal ausgesendet.

Die Behebung der Unterversorgungszustände erfolgt beispielsweise dadurch, dass eine bestehende Lastbegrenzung beim Abnehmer durch Aussenden eines geänderten Datensignals F‘ an die Übergabestation abgeschwächt oder aufgehoben wird. Das Lastmanagement als solches, insbesondere für andere Abnehmer, bleibt davon jedoch grundsätzlich unberührt. Wird für den Abnehmer keine Unterversorgung mehr festgestellt, so werden die Lastbegrenzungen, die das Lastmanagement generell oder für den speziellen Abnehmer vorsehen, automatisch wieder gültig.

Erfindungsgemäß kann vorgesehen sein, dass das Klassifikationsmodell Ki laufend, vorzugsweise in Intervallen von unter 30 Minuten, besonders bevorzugt in Intervallen von unter 15 Minuten, vorzugsweise in Intervallen von 1 Minute bis 10 Minuten, auf die

aktuellen Messdaten Mi und Betriebszustände Bi; des Abnehmers angewandt wird.

Bei den Messdaten M; kann es sich beispielsweise um die Vorlauftemperatur, die Rücklauftemperatur und den Durchfluss des primären Verteilungsnetzes, die Vorlauftemperatur, die Rücklauftemperatur und den Durchfluss des sekundären Verteilungsnetzes, und/oder eine Außentemperatur oder eine Innentemperatur handeln. Vorzugsweise werden die Messdaten Mi von Sensoren im primären und/oder sekundären Verteilungsnetz an die Datenverarbeitungseinheit übermittelt,

beispielsweise über einen Internet-Router.

Bei den Betriebszuständen B; kann es beispielsweise um den Status einer Pumpe oder eines Ventils in der Übergabestation des Abnehmers, um eine aktuelle Warmwasser-Anforderung, einen Vorlauftemperatur-Sollwert, die Temperaturspreizung zwischen primärem und sekundärem Verteilungsnetz, und/oder die Grädigkeit des Wärmetauschers handeln. Vorzugsweise werden die Betriebszustände B; vom Regler oder einer anderen Einheit in der Übergabestation an die Datenverarbeitungseinheit

übermittelt, beispielsweise über einen Internet-Router.

Erfindungsgemäß kann vorgesehen sein, dass eine Abfrage der Datenbank erfolgt, um jene Messdaten Mi; und Betriebszustände B; festzustellen, die für das Klassifizierungsmodell K; relevant sind, und nachfolgend das Klassifizierungsmodells K; lediglich auf die für den Anbieter als relevant festgestellten Messdaten Mi; und Betriebszustände B; angewandt wird. Der Zusammenhang zwischen den Klassifizierungsmodellen K; und den dafür relevanten Messdaten Mi; und

Betriebszuständen B; kann zu diesem Zweck in der Datenbank abgespeichert sein.

Die Erfindung betrifft ferner ein computerimplementiertes Klassifizierungsmodell K; zur Anwendung in einem erfindungsgemäßen Verfahren, insbesondere in Form eines speziell dafür aufgebauten Entscheidungsbaums. Erfindungsgemäß ist das Klassifizierungsmodell individuell auf jeden Abnehmer angepasst und wird in einer Datenbank abgespeichert.

Die Erfindung betrifft ferner ein computerimplementiertes Verfahren zur Erstellung eines individuellen Klassifizierungsmodells Ki zur Anwendung in einem erfindungsgemäßen Verfahren. Ein erfindungsgemäßes Verfahren umfasst die folgenden Schritte:

In einem ersten Schritt, Empfangen eines Trainingsdatensatzes umfassend historische Messdaten M;‘ und Betriebszustände B;‘ des Abnehmers sowie von Referenzwerten R, die kennzeichnen, ob eine Anomalie, insbesondere ein Unterversorgungszustand vorliegt. Als Messdaten Mi‘ und Betriebszustände B;‘ sind jene Daten zu verstehen, die im Laufe der Zeit gesammelt wurden, typischerweise einige Monate zurück, aber gegebenenfalls auch mehrere Jahre. Um erstmals ein Klassifizierungsmodell zu erstellen, werden zumindest historisch 4 bis 8 Wochen zurückliegende Daten herangezogen. Es können auch Trainingsdaten aus Vergleichszeiträumen vergangener Jahre herangezogen werden, beispielsweise aus dem jeweiligen Monat oder der jeweiligen Jahreszeit in den vergangenen Jahren. Auch Kombinationen sind möglich, so kann beispielsweise für den bevorstehenden März 2022 das Modell auf Basis der historischen Daten von Februar 2022 mit den historischen Daten von März 2021 kombiniert werden.

Bei den Referenzwerten kann es sich um eine Ja/Nein Klassifizierung der Trainingsdaten bezüglich des Vorliegens einer Anomalie, insbesondere einer Unterversorgung handeln. Es kann sich aber auch um eine Wahrscheinlichkeit handeln, mit der bei den betreffenden Trainingsdaten eine Anomalie, insbesondere eine

Unterversorgung vorliegt.

In einem weiteren Schritt wird ein Klassifizierungsmodell ermittelt, auf den Trainingsdatensatz angewandt, und die Ergebnisse des Klassifizierungsmodells K; werden entgegengenommen und mit dem Referenzwert verglichen. Bei dem Klassifizierungsmodell Ki kann es sich um ein beliebiges Verfahren aus dem Bereich des maschinellen Lernens handeln, beispielsweise einen Algorithmus zur Erstellung eines Entscheidungsbaums.

In einem weiteren Schritt werden die Modellparameter des Klassifizierungsmodells K; angepasst, um den Unterschied zwischen dem Ergebnis der Anwendung des

Klassifizierungsmodells Ki; und dem Referenzwert zu reduzieren.

Die angeführten Schritte werden mit individuellen Trainingsdaten und Referenzwerten des Abnehmers so lange wiederholt, bis eine gewünschte Vorhersagequalität erreicht ist. Beispielsweise kann das Training so lange wiederholt werden, bis die Unterschiede zwischen den Ergebnissen und den Referenzwerten unter einer vorgegebenen Schwelle bleiben. Bei einem Vergleich mehrerer Klassifikationsmodelle kann das Ergebnis auch darin bestehen, dass das Modell mit der besten Vorhersagequalität für diesen Abnehmer ausgewählt wird. Es kann eine beliebige Metrik zur Auswahl des Klassifizierungsmodells angewandt werden, beispielsweise kann jenes Klassifizierungsmodell gewählt werden, das am schnellsten Ergebnisse für den Abnehmer liefert.

Schließlich wird das für den Abnehmer am besten geeignete, individuelle Klassifizierungsmodell Ki in einer Datenbank oder auf anderem elektronischem Wege, beispielsweise im Hauptspeicher der Datenverarbeitungseinheit, abgespeichert, um es später für die Erkennung und Behebung von Anomalien einsetzen zu können. Ferner werden gegebenenfalls die für den Abnehmer und das gewählte Klassifizierungsmodell relevanten Messdaten und Betriebszustände in der Datenbank gespeichert.

Erfindungsgemäß kann vorgesehen sein, dass das Verfahren zur Erstellung eines individuellen Klassifizierungsmodells Kiin bestimmten Intervallen wiederholt wird, beispielsweise alle 2, 4, oder 6 Wochen oder zu Beginn jeder Jahreszeit, um Änderungen im Nutzerverhalten abzubilden. Wesentlich ist dabei, dass die verwendeten Klassifikationsmodelle K; und deren Parameter in der Regel nicht nur von Gebäude zu Gebäude unterschiedlich sind, sondern dass sich die Klassifikationsmodelle Ki auch für ein und dasselbe Gebäude im Laufe der Zeitändern können. Erklärbar ist das durch Änderungen im Benutzerverhalten, durch Änderungen an der Bausubstanzwie Wärmedämmung, Änderungen der Einstellungen und ganz besonders auch durch

Änderungen über die Saisonhinweg (Verschattung, passiver Solareintrag, Wind ...).

Die Erfindung betrifft ferner die Verwendung erfindungsgemäßer Verfahren zur Erkennung und Behebung von Anomalien, insbesondere abnehmerseitigen Unterversorgungszuständen eines Fernwärmenetzes, eines Fernkältenetzes oder eines

kombinierten Fernwärme- und Fernkältenetzes.

Die Erfindung betrifft ferner eine Datenverarbeitungseinheit, umfassend Mittel zur Ausführung eines erfindungsgemäßen Verfahrens.

Die Erfindung betrifft ferner ein computerlesbares Speichermedium, umfassend Instruktionen, die eine Datenverarbeitungseinheit zur Ausführung eines

erfindungsgemäßen Verfahrens veranlassen.

Weitere erfindungsgemäße Merkmale ergeben sich aus den Patentansprüchen, der

Beschreibung der Ausführungsbeispiele und den Figuren.

Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen näher erläutert. Es

zeigen:

Fig. 1a: eine schematische Darstellung eines Energieversorgungsnetzes;

Fig. 1b: eine schematische Darstellung einer Ausführung einer erfindungsgemäßen Vorrichtung;

Fig. 2 eine schematische Darstellung von in der Datenverarbeitungseinheit vorgesehenen Programmmodule;

Fig. 3 eine schematisches Ablaufdiagramm eines Verfahrens zur Erstellung abnehmerspezifischer Klassifikationsmodelle Ki;

Fig. 4 ein schematisches Ablaufdiagramm eines Verfahrens zur Erkennung und Behebung von abnehmerseitigen Unterversorgungszuständen eines

Energieversorgungsnetzes. Fig. 1a zeigt eine schematische Darstellung eines thermischen

Energieversorgungsnetzes mit einer Energiequelle 1, einem primären Verteilungsnetz 2

und einer Reihe von Abnehmern 3, 3°, 3“.

Die Abnehmer 3, 3‘, 3“ verfügen jeweils über eine Übergabestation 10, 10‘, 10“, die als Verbindung zwischen dem Verteilungsnetz 2 und den sekundären Verteilungsnetzen 12, 12°, 12“ in den Abnehmern 3, 3°, 3“ dient. Bei dem primären Verteilungsnetz 2 kann

es sich beispielsweise um ein Fernwärmenetz oder um ein Fernkältenetz handeln.

Fig. 1b zeigt eine schematische Darstellung einer Ausführung einer erfindungsgemäßen Vorrichtung. Dargestellt ist das primäre Verteilungsnetz 2, das in eine Übergabestation 10 eines Abnehmers 3 führt. In der Übergabestation 10 ist ein Wärmetauscher 11 vorgesehen, der als Verbindung zwischen dem primären Verteilungsnetz 2 und dem sekundären Verteilungsnetz 12 (Verbrauchsnetz) im Abnehmer 3 fungiert. Im primären Verteilungsnetz 2 sind eine Vielzahl von primären Sensoren 6, 6‘ vorgesehen. Im sekundären Verteilungsnetz 4 sind ebenfalls eine Vielzahl von sekundären Sensoren 7, 7‘ vorgesehen. Die Sensoren 6, 6°, 7, 7‘ liefern Messdaten Mi der Übergabestation 10 an eine Datenverarbeitungseinheit 4.

In der Übergabestation 10 sind ferner ein Regler 9 und ein Regelventil 8 vorgesehen, welche den Durchfluss und somit die Energieabgabe des im primären Energieverteilungsnetzes 2 fließenden Mediums an das sekundäre Verbrauchsnetz 12 regeln. Der Regler 9 stellt laufend die aktuellen Betriebszustände B; des Abnehmers 3 fest und übermittelt diese an die Datenverarbeitungseinheit 4. Die Datenverarbeitungseinheit 4 ist mit dem Regler 9 verbunden und steht in dieser Ausführungsform auch in Verbindung mit einer Datenbank 5.

Fig. 2 zeigt eine schematische Darstellung von in der Datenverarbeitungseinheit 4 vorgesehenen Programmmodulen E, G und H und deren Interaktion mit der Datenbank 5 und einem Abnehmer 3. Das Programm E stellt ein Lastmanagement-Verfahren nach dem Stand der Technik dar. In diesem Ausführungsbeispiel der Erfindung greift das Programm E auf die Datenbank 5 zu, um festzustellen, ob für den betreffenden Abnehmer eine Lastbegrenzung hinterlegt ist. Im Falle einer Lastbegrenzung für den betreffenden Abnehmer 3 wird ein Datensignal F ausgegeben, das an den Abnehmer 3 übergeben wird. In anderen Ausführungsbeispielen kann das Programm E jedoch auch

völlig autark und ohne Zugriff auf die Datenbank 5 arbeiten.

Der Zugriff auf die Datenbank 5 kann dazu dienen, jene Abnehmer herauszufiltern, die für das Lastmanagement überhaupt geeignet sind, da nur an diese Abnehmer ein Datensignal F gesendet wird. Es kann aber auch eine manuelle Steuerung des Lastmanagements durch eine Heizhaus-Steuerung oder einen Heizwart vorgesehen

sein.

Das Programm G umfasst die Erstellung der Klassifizierungsmodelle Ki; Es bezieht aus der Datenbank 5 historische Messdaten Mi, Betriebszustandsdaten B; und Referenzwerte R und ermittelt daraus ein für jeden Abnehmer 3 individuelles Klassifizierungsmodell K; zur Erkennung von Unterversorgung. Das

Klassifizierungsmodell K; wird in der Datenbank 5 gespeichert.

Das Programm H stellt die laufende Anwendung der Klassifizierungsmodelle K; auf die aktuellen Messdaten Mi; und Betriebszustandsdaten B; dar. Das Programm H bezieht das abnehmerspezifische Klassifkationsmodell K; aus der Datenbank 5 und ermittelt daraus eine Klassifizierung, die eine Unterversorgung anzeigt oder nicht (ja/neinKlassifikation). In anderen Ausführungsformen der Erfindung kann auch ein Wahrscheinlichkeitswert für die Unterversorgung des Abnehmers ermittelt werden. Wird eine Unterversorgung erkannt, so sorgt Programm H dafür, dass eine etwaige bestehende Lastbegrenzung abgemildert oder aufgehoben wird. Das daraus erzeugte, abgeänderte Datensignal F* wird dann an den Abnehmer3 übermittelt.

Fig. 3 zeigt eine schematisches Ablaufdiagramm eines Verfahrens zur Erstellung abnehmerspezifischer Klassifikationsmodelle Ki; durch die Datenverarbeitungseinheit 4. Es handelt sich dabei um das in Fig. 2 beschriebene Unterprogramm G. Es wird so durchgeführt, dass für jeden Abnehmer 3 zumindest ein gültiges Klassifikationsmodell Ki erstellt wird. Eine periodische Aktualisierung des Klassifikationsmodells Ki; im

Abstand von mehreren Wochen oder einmal pro Jahreszeit kann vorgesehen sein.

In der Datenbank 5 sind als Trainingsdaten historische Messdaten M;‘ und Betriebszustandsdaten Bi‘ enthalten, sowie die entsprechenden Referenzwerte R.

Bei den Referenzwerten kann es sich um Ja-Nein-Aussagen handeln, ob für die betreffenden Sets an Messdaten Mi‘ und Betriebszustandsdaten Bi‘ eine Unterversorgung festgestellt wurde. Es kann sich aber auch um einen Wahrscheinlichkeitswert handeln.

Die folgenden Schritte werden für jeden Abnehmer 3 durchgeführt. Schritt S301 entnimmt die historischen Daten aus der Datenbank 5. In Schritt S302 werden unvollständige oder fehlerhafte Daten aus Schritt S301 eliminiert. Anschließend werden in Schritt S303 aus den verbleibenden Daten irrelevante oder redundante Merkmale entfernt. Beispielsweise können bestimmte Messdaten M; oder Betriebszustandsdaten Bi bekannterweise irrelevant für die Klassifikation sein.

Der Schritt S304 liefert eine Kennzeichnung jener Datensätze aus Schritt S303, bei denen eine Unterversorgung naheliegt, befürchtet werden muss, oder festgestellt werden konnte. Dieser Vorgang kann durch einen Experten erfolgen, der die Kennzeichnung vornimmt, oder durch den automatischen Abgleich mit Schwellenwerten und deren Unter- bzw. Überschreitung im Rahmen eines Hilfsprogramms. Um ein gültiges Modell zu erhalten, ist eine ausreichende Anzahl von Datensätzen für jede der beiden Klassifikationen (Unterversorgung JA bzw. NEIN) in den Trainingsdaten zur

Verfügung zu stellen.

In Schritt S305 erfolgt das Training eines Machine-Learning Modells. Dazu wird zunächst ein Referenzmodell zur Klassifizierung erstellt. Als Algorithmus wird eine multinominale logistische Regression verwendet und das Ergebnis evaluiert. Danach wird zum Vergleich der Algorithmus von Quinlan C4.5 (auch „J48“ genannt) verwendet und im Vergleich zum Referenzmodell evaluiert. Ferner können Modelle mit beliebigen anderen Algorithmen erstellt und evaluiert werden. Es wird schließlich der Algorithmus als Klassifikationsmodell K; ausgewählt, der die tauglichsten Ergebnisse in der

Evaluierung liefert. Abschließend werden in Schritt S306 für alle Abnehmer 3 die Resultate mit dem jeweils

für die betreffenden Abnehmer im Schritt S305 ermittelten Klassifikationsmodell K; ermittelt.

Die Klassifikationsmodelle K; aus Schritt S306 werden in Schritt S307 in der Datenbank für die spätere Anwendung gespeichert. Es ist sowohl möglich, ein Klassifikationsmodell für alle Abnehmer auszuwählen, als auch unterschiedliche Klassifikationsmodelle. Es sind dann nicht nur die Modellbarameter von Abnehmer zu Abnehmer verschieden, sondern auch die grundlegende Modellstruktur.

Fig. 4 zeigt ein schematisches Ablaufdiagramm des in Fig. 2 beschriebenen Unterprogramms H. Die Schritte im Programm H werden in kurzen Intervallen von etwa 1— 10 Minuten für alle Abnehmer 3 durchgeführt. In Schritt S401werden durch Abfrage der Datenbank 5 jene Abnehmer i ausgewählt, für die eine Lastbegrenzung aktiv ist. Für diese Abnehmer werden in Schritt S402 die Messdaten Mi, Betriebszustandsdaten Bi und die individuellen Klassifikationsmodelle Ki aus der Datenbank 5 ausgelesen. In Schritt S403 werden irrelevante oder redundante Merkmale der Daten eliminiert. In Schritt S404 werden die Klassifikationsmodelle K; auf die Daten angewandt, um eine Klassifizierung der Unterversorgung (ja/nein) zu erhalten.

In Schritt S405 wird geprüft, ob eine Unterversorgung erkannt wurde. Wurde keine Unterversorgung erkannt, folgt keine Änderung an der bestehenden Lastbegrenzung (Schritt S406). Wurde eine Unterversorgung erkannt, so wird in Schritt S407 geprüft, ob eine Anweisung zur Erhöhung der Lastbegrenzung in der Datenbank 5 hinterlegt ist. Ist dies der Fall, so wird in Schritt S409 auf dieser Basis ein neues Signal F‘ an den Abnehmergesendet. Wird keine Anweisung zur Erhöhung der Lastbegrenzung in der Datenbank gefunden, so wird die Lastbegrenzung für den betreffenden Abnehmer zur Gänze aufgehoben und in Schritt S408 ein entsprechendes Signal F*“ an den Abnehmer gesendet. Innerhalb des Abnehmers 3 verarbeitet der Heizungsregler 9 das Signal aus Schritt S408 oder Schritt S409. Im letzten Schrittreagiert das Regelventil 8 auf die geänderte Einstellung des Reglers 9.

Der Schutzbereich des Patents ist durch die nachfolgenden Patentansprüche bestimmt und nicht auf die Anwendung zur Erkennung und Behebung von Unterversorgungszuständen beschränkt, sondern umfasst auch Anwendungen zur Erkennung und Behebung anderer unerwünschter Situationen (Anomalien) in

thermischen Energieversorgungsnetzen.

Claims

Patentansprüche

1. Computerimplementiertes Verfahren zur Erkennung und Behebung von Anomalien, insbesondere Unterversorgungszuständen, beispielsweise während des Einsatzes von abnehmerseitigen Lastbegrenzungen in einem thermischen Energieversorgungsnetz mit zumindest einer Energiequelle (1), die über ein primäres Verteilungsnetz (2) mit zumindest einer Übergabestation (10, 10‘, 10“) zumindest eines Abnehmers (3, 3‘, 3“) verbunden ist, dadurch gekennzeichnet, dass das Verfahren die folgenden Schritte umfasst:

a. Messung, durch eine Vielzahl von Sensoren (6, 6‘, 7, 7°), aktueller Messdaten Mi; und Ermittlung, durch einen Regler (9) in der Übergabestation (10), aktueller Betriebszustände Bi; des Abnehmers (3, 3‘, 3“) und Übermittlung der Messdaten M; und Betriebszustände B; an eine Datenverarbeitungseinheit (4),

b. Abfrage, durch die Datenverarbeitungseinheit (4), einer Datenbank (5) und Entnahme eines, dem Abnehmer (3, 3‘, 3“) zugeordneten Klassifizierungsmodells K;,

c. Anwendung, durch die Datenverarbeitungseinheit (4), des Klassifizierungsmodells K; auf die aktuellen Messdaten M; und die aktuellen Betriebszustände Bi des Abnehmers (3, 3‘, 3“), und Feststellung, ob eine Anomalie vorliegt,

d. sofern eine Anomalie erkannt wurde, Ansteuerung, durch Sendung eines Datensignals F* von der Datenverarbeitungseinheit (4), des Reglers (9) oder eines Regelventils (8) in der Übergabestation (10) des Abnehmers (3, 3‘, 3“) zur Behebung der Anomalie.

2, Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Schritte c. — d. des Verfahrens laufend, vorzugsweise in Intervallen von unter 30 Minuten, besonders bevorzugt in Intervallen von unter 15 Minuten, vorzugsweise in Intervallen von 1

Minute bis 10 Minuten, durchgeführt werden.

Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass die Sensoren (6, 6°, 7, 7°) als Messdaten M; die Vorlauftemperatur, die Rücklauftemperatur und den Durchfluss des primären Verteilungsnetzes (2), die Vorlauftemperatur, die Rücklauftemperatur und den Durchfluss des sekundären Verteilungsnetzes (4), und/oder eine Außentemperatur oder eine Innentemperatur

aufnehmen.

Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass der Regler (9) als Betriebszustände B; den Status einer Pumpe oder eines Ventils in der Übergabestation (10), die aktuelle Warmwasser-Anforderung, die Temperaturspreizung zwischen primärem und sekundärem Verteilungsnetz, am Abnehmer (3) eingestellte Programmparameter, die Grädigkeit des Wärmetauschers und/oder andere spezifische Zustandsdaten des Abnehmers (3) ermittelt.

Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass nach Schritt b. eine Abfrage der Datenbank (5) erfolgt, um jene Messdaten M; und Betriebszustände B; festzustellen, die für das Klassifizierungsmodell K; relevant sind, und Anwendung, in Schritt c., des Klassifizierungsmodells Ki; lediglich auf die für den Anbieter (3) als relevant festgestellten Messdaten Mi und Betriebszustände B;.

Computerimplementiertes Klassifizierungsmodell K; zur Erkennung und Behebung von Anomalien, insbesondere Unterversorgungszuständen, beispielsweise während des Einsatzes von abnehmerseitigen Lastbegrenzungen in einem Energieversorgungsnetz mit zumindest einer Energiequelle (1), die über ein primäres Verteilungsnetz (2) mit zumindest einer Übergabestation (10) zumindest eines Abnehmers (3, 3‘, 3“) verbunden ist,

dadurch gekennzeichnet, dass das Klassifizierungsmodell Ki zur Anwendung in einem Verfahren gemäß einem der Ansprüche 1 bis 5 ausgebildet ist, insbesondere in Form eines entsprechend trainierten neuronalen Netzes oder in Form eines Entscheidungsbaums.

Computerimplementiertes Verfahren zur Erstellung eines individuellen Klassifizierungsmodells K; zur Erkennung und Behebung von Anomalien, insbesondere Unterversorgungszuständen beispielsweise während des Einsatzes von abnehmerseitigen Lastbegrenzungen in einem Energieversorgungsnetz mit zumindest einer Energiequelle (1), die über ein primäres Verteilungsnetz (2) mit zumindest einer Übergabestation (10) zumindest eines Abnehmers (3, 3‘, 3“) verbunden ist, insbesondere Verfahren zur Erstellung des Klassifizierungsmodells Ki aus Anspruch 6, dadurch gekennzeichnet, dass das Verfahren die folgenden Schritte umfasst:

a. Empfangen eines Trainingsdatensatzes umfassend historische Messdaten Mi‘ und Betriebszustände Bi‘ des Abnehmers (3, 3‘, 3“) sowie von Referenzwerten R, die kennzeichnen, ob eine Anomalie vorliegt;

b. Ermitteln eines Klassifizierungsmodells Ki und Anwenden des Klassifizierungsmodells K; auf den Trainingsdatensatz, Entgegennahme des Ergebnisses des Klassifizierungsmodells K; und Vergleich des Ergebnisses mit dem Referenzwert;

c. Anpassen der Modellparameter des Klassifizierungsmodells K; zur Reduktion des Unterschieds zwischen dem Ergebnis und dem Referenzwert;

d. Wiederholung der Schritte a. —- c. mit individuellen Trainingsdaten und Referenzwerten des Abnehmers (3, 3‘, 3‘), bis die Unterschiede zwischen den Ergebnissen und den Referenzwerten unter einer vorgegebenen Schwelle bleiben,

e. Abspeicherung des individuellen Klassifizierungsmodells Ki sowie gegebenenfalls der für das Klassifizierungsmodell Ki als relevant festgestellten Messdaten M;‘ und Betriebszustände Bi‘ in einer Datenbank

(5).

Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass zur Ermittlung des Klassifizierungsmodells in Schritt b. zunächst ein Referenzmodell erstellt wird, das eine multinominale logistische Regression auf den Trainingsdatensatz anwendet, und danach zum Vergleich ein C4.5 Algorithmus zur Erstellung eines Entscheidungsbaums auf den Trainingsdatensatz angewandt wird und im

Vergleich zum Referenzmodell evaluiert wird.

11.

12.

13.

17 —62005/AG/Beck & Partner KG, Brandmayerstrasse 9, 3400 Klosterneuburg (AT)

Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass zur Ermittlung des Klassifizierungsmodells weitere Referenzmodelle mit anderen Algorithmen aus dem Bereich des maschinellen Lernens erstellt und evaluiert werden, und schließlich jener Algorithmus als Klassifikationsmodell K; ausgewählt wird, der bei der Evaluierung die tauglichsten Ergebnisse liefert.

Verfahren nach einem der Ansprüche 7 bis 9, dadurch gekennzeichnet, dass die Schritte a. - e. in einem Intervall von unter 2 Wochen, unter 4 Wochen, oder unter 8 Wochen, vorzugsweise einmal pro Jahreszeit, wiederholt werden, insbesondere unter Berücksichtigung und Verwendung zumindest eines Vergleichszeitraums

aus vergangenen Jahren.

Verwendung eines computerimplementierten Verfahrens nach einem der Ansprüche 1 bis 10 zur Erkennung und Behebung von Anomalien, insbesondere abnehmerseitigen Unterversorgungszuständen eines Fernwärmenetzes, eines

Fernkältenetzes oder eines kombinierten Fernwärme- und Fernkältenetzes.

Datenverarbeitungseinheit (4), umfassend Mittel zur Ausführung eines

Verfahrens nach einem der Ansprüche 1 bis 10.

Computerlesbares Speichermedium, umfassend Instruktionen, die eine Datenverarbeitungseinheit (4), insbesondere eine Datenverarbeitungseinheit nach Anspruch 12, zur Ausführung eines Verfahrens nach einem der Ansprüche 1 bis

10 veranlassen.