Fernwärme ist ein tragendes Element der deutschen Energiewende. Sie ermöglicht es Städten, eine umweltfreundliche und hocheffiziente Wärmeversorgung aufzubauen, was gerade im Hinblick auf die energie- und klimapolitischen Ziele der Bundesregierung immer wichtiger wird. Genau an dieser Schnittstelle setzt das Projekt „KI in Fernwärme“ an, das wir gemeinsam mit der Deutschen Energie-Agentur (dena) umgesetzt haben. Die zentrale Frage lautete: Wie lässt sich Künstliche Intelligenz (KI) sinnvoll in Fernwärmenetze integrieren, um Prozesse zu optimieren und CO₂-Emissionen zu reduzieren?
Herausforderung und Zielsetzung
Die dena steht als bundeseigene Institution für die Gestaltung und Umsetzung von Strategien rund um Energieeffizienz und Klimaschutz. In diesem Projekt ging es darum, in enger Zusammenarbeit mit einem Pilotpartner – den Stadtwerken Norderstedt – mehrere KI-gestützte Anwendungsfälle zu identifizieren und zu bewerten. Aus diesen Erfahrungen sollte ein Leitfaden entstehen, der Fernwärmeversorgern praxisnah zeigt, wie sie eigene KI-Projekte entwickeln und umsetzen können. Einen besonderen Schwerpunkt legten wir darauf, nicht nur vage Zukunftsszenarien zu beschreiben, sondern ganz konkrete Handlungsanweisungen zu liefern.
Vorgehen und Umsetzung
Zu Beginn fanden mehrere gemeinsame Workshops mit Expertinnen und Experten aus den Bereichen Fernwärmeversorgung, Data Science und thermischer Energiesysteme statt. Mithilfe von Design-Thinking-Methoden wurde in kurzer Zeit herausgearbeitet, wo KI in Fernwärmenetzen den größten Nutzen stiften kann. Diese Ideationsphase führte zu einer Reihe potenzieller Anwendungen, die wir anschließend systematisch bewerteten und priorisierten.
Der vielversprechendste Use Case war die intelligente Erzeugereinsatzplanung. Statt den Wärmeerzeugern auf Basis starrer Planungswerte zu steuern, wollten wir mithilfe von Deep Learning und Zeitreihenanalysen den Wärmebedarf des folgenden Tages vorhersagen und einen idealen Fahrplan für die Kraftwerke aufstellen. Zu diesem Zweck integrierten wir verschiedenste Datenquellen: Live-Daten aus dem Fernwärmenetz, Wetterinformationen vom Deutschen Wetterdienst, Betriebsdaten der Kraftwerke und sogar Strompreisentwicklungen.
Technisch setzten wir auf eine Cloud-Lösung in Microsoft Azure, wo wir Daten automatisiert über LoRaWAN (für die Live-Messwerte) und FTP (für Wetterdaten) einspielten. Die eingehenden Daten wurden in TimescaleDB abgelegt, einer auf PostgreSQL basierenden Datenbank, die besonders gut mit Zeitreihen umgehen kann. Visualisiert wurden die Ergebnisse in Grafana, sodass alle Projektbeteiligten den aktuellen Projektstatus einsehen konnten. Um die ideale Erzeugerwahl auf Basis der Prognosedaten und bestimmter Randbedingungen (z. B. verfügbare Erzeuger, Strompreisschwankungen) zu treffen, setzen wir außerdem lineare Optimierung ein. Damit wurde der Erzeugereinsatz prototypisch simuliert und in Workshops mit den Stadtwerken Norderstedt ausgiebig diskutiert und getestet.
Darüber hinaus flossen alle gewonnenen Erkenntnisse in den Leitfaden ein, den wir gemeinsam mit der dena erarbeiteten. Unsere Rolle bestand vor allem darin, unser KI-Know-how, unsere Projekterfahrung und unser Fachwissen aus dem Bereich thermischer Energiesysteme einzubringen – beispielsweise bei der Frage, wie man Daten sauber vorbereitet oder welche Besonderheiten bei unterschiedlichen Erzeugertypen zu beachten sind.
Ergebnisse und Mehrwert
Das Projekt „KI in Fernwärme“ mündete in einem offenen Leitfaden, der bereits veröffentlicht wurde und in der Branche auf großes Interesse stößt. Der darin enthaltene methodische Ansatz hilft Fernwärmeversorgern, sich der Potenziale von KI bewusster zu werden und erste Schritte in eigenen Projekten zu gehen. Die prototypische Erzeugereinsatzplanung zeigt exemplarisch, wie sich mithilfe von KI und linearer Optimierung der Betrieb eines Fernwärmenetzes erheblich optimieren lässt – sei es bei der Senkung des Energieverbrauchs, dem gezielten Einsatz der Kraftwerke oder der Reduktion von CO₂-Emissionen.
Für die dena hat sich das Projekt gleich mehrfach gelohnt: Einerseits verfügt sie nun über eine Blaupause, die sie an weitere Fernwärmeversorger herantragen kann, andererseits konnte sie gemeinsam mit uns wertvolle Praxis-Erfahrungen sammeln, die ihren Beratungsansatz und ihr Netzwerk bereichern.
Warum RAUSCH Technology der ideale KI-Partner ist
Wir bieten einen ganzheitlichen Ansatz, der tiefes Fachwissen in Wärmeversorgung, mathematische Optimierungsverfahren und KI-Technologie vereint. Während der Projektlaufzeit standen wir in engem Austausch mit dena und Stadtwerken, hielten Vorträge auf Fachveranstaltungen und sorgten so für einen reibungslosen Wissenstransfer. Unsere skalierbaren Architekturen ermöglichen außerdem eine rasche Erweiterung auf andere Fernwärmenetze. Mit RAUSCH Technology profitieren Unternehmen nicht nur von einer kurzfristigen Lösung, sondern erhalten gleichzeitig eine zukunftssichere Grundlage, um KI langfristig in ihre Geschäftsprozesse zu integrieren.
- CO₂-Reduktion Wärmenetze, Erzeugereinsatzplanung mit KI, Fernwärme Digitalisierung, KI in Fernwärme, Künstliche Intelligenz Energiebranche, LoRaWAN Fernwärme, Microsoft Azure Energiewirtschaft, Predictive Analytics Fernwärme, Smart Heating Systeme
