Masterarbeit - Physics informed Machine Learning for Optimizing District Heating Substations

Das Fraunhofer IEE in Kassel forscht in den Bereichen Energiewirtschaft und Energiesystemtechnik mit den Schwerpunkten: Energieinformatik, Energiemeteorologie und Geoinformationssysteme, Energiewirtschaft und Systemdesign, Energieverfahrenstechnik und -speicher, Netzplanung und Netzbetrieb, Netzstabilität und Stromrichtertechnik sowie thermische Energietechnik. Rund 450 Wissenschaftlerinnen und Wissenschaftler, Angestellte, Studentinnen und Studenten entwickeln Lösungen für die Energiewende und erwirtschaften rund 38 Mio. Euro Erträge pro Jahr.

Die Abteilung Energieinformatik und Informationssysteme am Fraunhofer IEE forscht und entwickelt innovative Lösungen im Kontext der Digitalisierung der Energiewende. Durch die Digitalisierung der Wärmeversorgung und im speziellen der Fernwärme, entstehen neue Möglichkeiten die Versorgungssysteme effizienter, sicherer, flexibler und nachhaltiger zu gestalten. Daher beschäftigen wir uns mit der effizienten Erschließung, Monitoring sowie Steuerung von Energieanlagen für die Wärmeversorgung von Gebäuden, Quartieren und der Industrie. Wir erarbeiten in Kooperation mit unseren Partnern innovative Softwarelösungen und Beratungsdienstleistungen an der Schnittstelle zwischen Informations- und Kommunikationstechnologien und der Wärmewirtschaft.

Hier sorgst Du für Veränderung

Deine Masterarbeit

Hausübergabestationen übernehmen eine zentrale Rolle bei der Wärmeversorgung von Gebäuden in Fernwärmesystemen. Entscheidend für einen effizienten Betrieb ist unter anderem die Heizkennlinie, deren Parameter häufig nicht optimal auf die jeweiligen Gebäudeeigenschaften abgestimmt sind. Die Folge sind unnötig hohe Vor- und Rücklauftemperaturen, die zu erhöhten Wärmeverlusten und Energiekosten führen können.

Eine bedarfsgerechte Optimierung der Heizkennlinie bietet daher großes Potenzial, die Energieeffizienz zu verbessern, ohne den thermischen Komfort der Bewohner*innen zu beeinträchtigen.

Im Rahmen Deiner Masterarbeit untersuchst Du, wie sich physikalisches Wissen in Machine-Learning-Modelle integrieren lässt, um Raum- und/oder Rücklauftemperaturen zuverlässig vorherzusagen. Ziel ist es, physikalisch informierte Machine-Learning-Ansätze zu entwickeln und deren Potenzial zur Optimierung von Heizkennlinien sowie zur Reduzierung des Bedarfs an umfangreichen Simulations- und Messdaten zu bewerten.

Deine Aufgaben im Rahmen der Masterarbeit:

- Analyse relevanter Einflussgrößen auf das thermische Verhalten von Gebäuden, insbesondere Heizkennlinienparameter, Außentemperatur, solare Einstrahlung sowie Vorlauf-, Rücklauf- und Raumtemperaturen

- Identifikation geeigneter physikalischer Zusammenhänge, beispielsweise Wärmebilanzen und Wärmeverluste über die Gebäudehülle

- Integration physikalischer Nebenbedingungen in die Loss-Funktion eines Machine-Learning-Modells

- Entwicklung, Training und Evaluation eines physikalisch informierten Machine-Learning-Modells zur Vorhersage von Raum- und/oder Rücklauftemperaturen

- Untersuchung des Einflusses unterschiedlicher physikalischer Nebenbedingungen auf die Vorhersagegenauigkeit und den erforderlichen Umfang an Trainingsdaten

- Bewertung des Potenzials zur Optimierung von Heizkennlinien und zur Reduzierung von Rücklauftemperaturen unter Berücksichtigung des thermischen Komforts