EnEff:Wärme: ILSE - Intelligente Lernende Systeme in Energieverbünden (Heft 71)

Das dem Heft 71 zugrunde liegende Forschungsvorhaben „EnEff:Wärme: ILSE - Intelligente Lernende Systeme in Energieverbünden“ (ILSE) wurde im Rahmen des 7. Energieforschungsprogramms „Innovationen für die Energiewende“ vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK), jetzt Bundesministerium für Wirtschaft und Energie (BMWE) über den Projektträger Jülich bewilligt und gefördert (FKZ 03EN3033). Die Bearbeitung erfolgte in einem Verbund aus AGFW-Projektgesellschaft für Rationalisierung, Information und Standardisierung mbH, Technische Hochschule Rosenheim - Fakultät für Informatik (Projektkoordination), Stadtwerke Rosenheim GmbH & Co. KG und Institut für nachhaltige Energieversorgung GmbH, Rosenheim.

Ziel des Forschungsvorhabens ILSE war die KI-gestützte Erkennung von Anomalien und fehlerhaften Zuständen an HAST mittels Machine Learning für die vorausschauende Instandhaltung (Predictive Maintenance) und zur Unterstützung der Störungsbehebung.

Auf Basis realer Betriebs- und Störungsdaten wurden nach CRISP-DM Daten aufbereitet, kuratiert und manuell gelabelt. Darauf aufbauend wurden verschiedene ML-Modelle, Metriken und synthetische Datengenerierung erprobt sowie ein Daten- und Störungsmodell, KPIs und ein Integrationskonzept in eine Monitoring-Software entwickelt. Es konnten belastbare Datensätze und Prototypen zur Erkennung ungewöhnlicher Betriebszustände entwickelt werden. Begleitende Lead-User- und Evaluationsworkshops stellten die Nutzerzentrierung sicher.

Lernende Systeme sind grundsätzlich geeignet, Störungen in Hausstationen früher zu erkennen und so Instandhaltung planbarer zu machen und Ausfälle zu reduzieren. Für den Transfer in andere Netze sind Datenqualität, Standardisierung und geeignete Prozesse entscheidend.