Die deutsche Industrie muss ihren CO2 Ausstoß verringern – da sind sich fast alle einig. Aber wie?
Vor dieser Frage stehen unter anderem die Werke von Bosch. Sie reduzieren bereits ihren CO2 Ausstoß, wollen diesen aber noch weiter verringern.
Ein Baustein in der Reduktion der CO2 Emissionen ist die Optimierung der Nutzung von Strom, Kälte und Wärme – sie kann dazu beitragen, dass weniger Energie verbraucht wird und Kosten eingespart werden.
Diese Optimierung erfordert ein umfassendes Modell der Energieverbräuche, -erzeugung und -flüsse in Abhängigkeit von Steuerungseingriffen und externen Faktoren wie dem Wetter. Das Projekt HeatCast hat sich die Entwicklung eines solchen Modells für die Prognosen anhand der Daten von Bosch zum Ziel gesetzt. Dazu wurden unter anderem Temporal Fusion Transformers (TFT) eingesetzt, welche besonders dazu geeignet sind Multi-Horizon Time Series Probleme wie die Prognosen von Wärme-, Kaltwasser- und Stromverbrauch zu lösen.
Das Projekt ist interessant für:
Industrieunternehmen, Stadtwerke, Netzbetreiber
Ziele
- Entwicklung einer Prognose für den Wärme- bzw. Kälteverbrauch
- Entwicklung einer Prognose für den Stromverbrauch
- Vergleich von Temporal Fusion Transformers und Extreme Learning Machines
- Visualisierung im Energiemanagementsystem EnergyPilot
Methoden
- Temporal Fusion Transformers für die Prognose der Zeitreihen
- Extreme Learning Machines für die Prognose der Zeitreihen als Vergleich
- EnergyPilot, Energiemanagementsystem des IEE
Detaillierte Beschreibung
Das Projekt HeatCast untersucht, ob sich Temporal Fusion Transformers (TFT) für die Berechnung von Strom- und Warm/Kaltwasserverbrauchsprognosen eignen. Dabei werden Prognosen mit Extreme Learning Machines (ELMs) und mit den TFT berechnet und beide Methoden miteinander verglichen.
Der TFT basiert auf den Prinzipien der Transformer Netze. Es können bekannte zukünftige Informationen wie beispielsweise der Wochentag, die Uhrzeit, der Sonnenstand und Produktionsziele in die Prognose einfließen und so können zeitliche Muster besser erkannt werden. Neben der heterogenen Verwertung der Inputdaten bietet der TFT auch die Möglichkeit Multiple-Horizon Forecasts, sowie probabilistische Vorhersagen zu erstellen.
Eine Extreme Learning Machine (ELM) basiert auf einem künstlichen neuronalen Netz mit nur einem Hidden Layer, wo die Anzahl der Neuronen sehr hoch gewählt wird. Während den Verknüpfungen zwischen Input-Schicht und Hidden Layer zufällig Gewichte zugeordnet werden, werden im Training nur die Gewichte zwischen Hidden Layer und Output-Schicht trainiert. Dadurch entsteht ein einfaches lineares Regressionsproblem, dessen Lösung analytisch und zeitlich schnell gefunden werden kann. Das Training für das ELM findet in einer Umgebung statt, mit der auch operativ verwendete Prognosen vorbereitet werden.
Beide Verfahren zeigen, dass sie den Stromverbrauch, sowie den Warm-/Kaltwasserverbrauch prognostizieren können. Dabei unterscheiden sie sich in der Güte der Prognose. Die Prognose bietet für das Fertigungswerk von Bosch die Möglichkeit die eignen Prozesse zu steuern. Dadurch kann Strom gespart, Kühlwasser reduziert und somit der C02 Ausstoß gesenkt werden.
Eine Integration in das Energiemanagementsystem des Fraunhofer IEE, in den EnergyPilot, bietet die Möglichkeit die Steuerung des Stromverbrauches und des Warm-/Kaltwasserverbrauchs anzupassen. Eine weitere Entwicklungsmöglichkeit besteht darin, Prognosen für die werkseigene PV-Anlage in die operative Prozesssteuerung zu integrieren um den Eigenstromverbrauch zu maximieren.
Projektpartner
Geschäftsfeld Energiemeteorologische Informationssysteme, Fraunhofer IEE
Mehr Informationen zum Geschäftsfeld finden Sie hier.
Projektmitarbeitende: Dr. Klara Reder, Alexander Dreher, Thomas Kanefendt, Jonas Koch, Malte Lehna
Bosch.IO
Bosch-intern gehört HeatCast zum Projekt Zero Emission. Das Projekt verfolgt das Ziel, einen großen Produktionsstandort von Bosch in Thüringen CO2-neutral zu stellen. Am Standort Eisenach sind 1700 Mitarbeitende beschäftigt. Der Standort produziert für die großen Bosch Geschäftsbereiche Powertrain Solutions, Chassis Systems Control und Automotive Aftermarket.
Ansprechpartnerin: Wilma Weps
Projektlaufzeit
April 2021 – Oktober 2021
Dominik Jost
Produktmanager
Verbrauchsmodellierung- und Prognose
Fraunhofer IEE
+49 (0) 561 7294-467
