Wärmepumpen haben sich in den letzten Jahren enorm weiter entwickelt. Aufgrund der Umweltthematik und der hohen Preisen für fossile Energieträger steigt die Zahl der Wärmepumpen von Jahr zu Jahr. Gemäss Prognosen werden bis im Jahr 2025 allein in Europa jährlich zwei Millionen neue Wärmepumpen an das Stromnetz angeschlossen. Dank ihrer Fähigkeit, Wärme von einer heissen auf eine kalte Quelle zu übertragen, verbrauchen sie von Natur aus weniger Energie als klassische Heizlösungen wie beispielsweise die Fussbodenheizung.
Laut einer Studie von EnergieSchweiz [1] aus dem Jahr 2021 liegt die durchschnittliche Effizienz von Wärmepumpen in der Schweiz zwischen 3und 4.5. Dies bedeutet, dass eine Wärmepumpe bei gleichem Stromverbrauch den Haushalt 3 bis 4.5-mal mehr heizt als ein klassischer Elektroboiler. Obwohl sie hohe Wirkungsgrade aufweisen, sind Wärmepumpen aber immer noch grosse Energieverbraucher und damit ein grosser Faktor für die Reduzierung der Stromkosten bei Endverbrauchern sowie hinsichtlich der Netzstabilität bei Versorgungsunternehmen.
Eine aktive Überwachung der Nutzung von Wärmepumpen ist daher sowohl für Endkunden als auch Versorgungsunternehmen von entscheidender Bedeutung. Basierend auf den Daten des Monitorings können mehrere Verbesserungen vorgenommen werden. Energieversorger können über intelligente Zähler die Last genauer vorhersagen und prognostizieren, so dass die Strommenge, die gekauft oder produziert werden soll, besser abgeschätzt und das Netz besser verstanden werden kann. Endverbraucher können ihre Heizgewohnheiten nachverfolgen und auf Basis dieser Informationen anpassen. Im Falle von Anomalien im Betrieb können Benachrichtigungen helfen, rechtzeitig Massnahmen zu ergreifen. In Zukunft sind überwachbare Lasten auch der erste Schritt zu Smart-Grid-Initiativen und Flexibilitätslösungen (z. B. SmartGridready), welche eine stärkere Nutzung von erneuerbaren Energien und Massnahmen zur Energieeinsparung ermöglichen.
Die Überwachung kann mit einem Stromzähler wie dem CLEMAP Energy Monitor, der direkt an die Wärmepumpe angeschlossen ist oder über einen Smart Meter erfolgen. Im Rahmen des Social Power Plus-Forschungsprojekts (SSP) hatten wir uns die Frage gestellt, ob es möglich ist, mit der vorhandenen Hardware wie einem Smart Meter Wärmepumpen zu überwachen. Der Normalfall ist, dass ein Smart Meter den Stromverbrauch des gesamten Haushalts aufzeichnet und nicht nur den der Wärmepumpe. Non-Intrusive Load Monitoring (NILM) ist eine Technik des Machine Learnings, die es ermöglicht, die in einem Haushalt laufenden Lasten anhand eines einzigen Zählpunkts aufzuschlüsseln. Mit NILM können wir daher vorhandene intelligente Zähler verwenden und müssen nur eine Softwarekomponente hinzufügen, was die Einrichtungskosten stark reduziert.
CLEMAP entwickelte innerhalb SSP einen NILM-Algorithmus für die Disaggregation von Wärmepumpen, der darauf abzielt, das Bewusstsein der Menschen hinsichtlich ihres Energieverbrauchs zu sensibilisieren. Der Algorithmus funktioniert durch die Verarbeitung von elektrischen Zeit-Seriendaten der Wirk- (P) und Blindleistung (Q) - summiert über die drei Phasen - mit einer zeitlichen Auflösung von 15 Minuten. Wärmepumpen weisen spezifische elektrische Profile auf und können so durch statistische Methoden erkannt werden. Der von CLEMAP entwickelte Algorithmus für Machine Learning wurde anhand eines Referenzdatensatzes evaluiert. Dafür wurden während mehreren Monaten verschiedene elektrische Daten gesammelt: die von intelligenten Stromzählern, welche den gesamten Haushalt messen sowie von speziellen, intelligenten Stromzählern für die Wärmepumpen in 20 Ostschweizer Haushalten, die mit verschiedenen Wärmepumpentypen ausgestattet sind.
Für ein maschinelles Lernmodell können folgende Metriken bewertet werden:
Die Genauigkeit der Wärmepumpenerkennung: Wie gut können wir zu einem bestimmten Zeitpunkt vorhersagen, ob die Wärmepumpe ein- oder ausgeschaltet ist? (Klassifizierungsproblem)
Fehler bei der Energieaufschlüsselung: Wie gut lässt sich der Anteil der von der Wärmepumpe verbrauchten Energie an der Gesamtenergie aufschlüsseln, wenn man einen Energieverbrauch über einen bestimmten Zeitraumbetrachtet? (Regressionsproblem)
Diese Metriken wurden für den gesamten Datensatz mit folgenden Ergebnissen ausgewertet:
In aktuellen Forschungsberichten ([2], [3]) wird eine Genauigkeit von 90-95 % für die Erkennung grosser Lasten wie Wärmepumpen angegeben - unter Labor-Bedingungen und manchmal mit einer höheren Abtastrate. Unsere Genauigkeit von 86% bei Feldtests kann daher als Erfolg gewertet werden.
Um das Ergebnis besser zu verstehen, können wir uns ein Boxplot ansehen, das die Metriken für einzelne Haushalte und die statistischen Indikatoren für den gesamten Datensatz zeigt. Hier betrachten wir die Genauigkeit der Wärmepumpen-Erkennung (balanced_accuracy_state_ts[%]).
Die verstreuten blauen Punkte auf der linken Seite zeigen die Genauigkeit der einzelnen Haushalte an. Es ist ein Punkt zu erkennen, der eine schlechte Genauigkeit von etwa 40 % aufweist. Dieser Ausreisser wurde untersucht und es wurde festgestellt, dass sich sein elektrisches Profil erheblich von dem der anderen Wärmepumpen unterscheidet, was zu diesem Ergebnis führte. Es wurde beschlossen, den Ausreisser in diesem Benchmark zu belassen, um zu zeigen, dass das Modell zwar eine gute Leistung erbringt, aber für spezielle Fälle möglicherweise eine Feinabstimmung erforderlich ist. In Zukunft werden weitere Analysen auf der Grundlage anderer Datensätze und über grössere Zeiträume die Leistung des Algorithmus weiter verbessern.
Wärmepumpen entwickeln sich rasant und bieten sowohl Umwelt- als auch Kostenvorteile. Ihre Überwachung ist sowohl für Endverbraucher und Energieversorger als auch für Hersteller von Wärmepumpen (z. B. die Feldleistung ihrer installierten Basis) von entscheidender Bedeutung. Diese Überwachung kann auf nicht-invasive Weise mit Hilfe von Algorithmen des Machine Learnings und unter Nutzung von Stromdaten vorhandener Smart Meter erfolgen, um die Kosten niedrig zu halten. CLEMAP hat einen leistungsfähigen Algorithmus entwickelt, der Wärmepumpen mit einer Genauigkeit von 86 % erkennt. In Zukunft wird damit die Umsetzung von Lösungen zur Energiereduzierung, Netzdienlichkeit und zum Management von Flexibilitäten möglich. Die derzeitige Einführung der Lösung erfolgt über die bestehenden Kundenschnittstellen, an denen die Kunden die Möglichkeit haben, ihre Daten explizit zu nutzen. Da das Ergebnis einer verbesserten Effizienz offensichtlich ist, müssen sich die Regulierungsbehörden anpassen und zulassen, dass solche Lösungen im Stromnetz effektiv implementiert und eingesetzt werden können, während das Datenvolumen der intelligenten Zähler wächst.
Quellen :
[1] EnergieSchweiz, Bericht «Feldmessungen vonWärme-pumpen-Anlagen Heizsaison 2020/21»
[2]“Results from Non-intrusive Load Monitoring”, A. Hutter et al., CSEM Scientificand Technical Report 2016
[3] Salani, M., Derboni, M., Rivola, D. etal. Non intrusive load monitoring for demand side management. EnergyInform 3, 25 (2020). https://doi.org/10.1186/s42162-020-00128-2
Entdecken Sie passende Lösungen zu diesem Blogbeitrag.
