Menü
Startseite » Studentische Arbeiten » Methode des maschinellen Lernens zur Prognose von thermischen Lasten in industriellen Betrieben

Methode des maschinellen Lernens zur Prognose von thermischen Lasten in industriellen Betrieben

Aufgabenstellung

Unternehmen der industriellen Fertigung befinden sich in einem Spannungsfeld, das zunehmend durch verschärfende Entwicklungen der Produktionsbedingungen wie etwa steigende Energiekosten, knapper werdende Ressourcen und Forderungen nach gesellschaftlicher Verantwortung beschrieben wird. Den Energiebedarf in der Industrie effizienter und flexibler zu gestalten kommt daher eine zentrale Bedeutung zu. Explizit thermische Systeme können dazu verwendet werden, Lasten zu flexibilisieren und somit die Energieeffizienz in der industriellen Fertigung zu steigern.

Zur gezielten Flexibilisierung bedarf es exakter Prognosen über Bedarfe von Prozesswärme und -kälte industrieller Prozesse. (Energie-)Datenerfassungssysteme liefern umfangreiche Datenreihen zu Energieflüssen und Produktionsinformationen, welche zu Prognosezwecken verwendet werden können. Ausgehend von intelligent verdichteten und analysierten Daten sowie charakteristischen Lastgängen soll ein Prognosemodell des zukünftigen Lastgangs von Prozesswärme und -kälte auf die drei thermischen Netze der ETA Fabrik basierend auf Ansätzen des maschinellen Lernens erstellt werden.

Schwerpunkte

Das Arbeitspaket umfasst folgende Punkte:

  • Literaturrecherche zum Stand der Technik von Verfahren zur Vorhersage im Allgemeinen sowie zur Last- bzw. Energieflussprognose (mit Schwerpunkt auf Machine Learning Ansätzen),
  • Auswahl geeigneter Verfahren des maschinellen Lernens zur Entwicklung der Prognosemodelle anhand geeigneter Kriterien
  • Festlegen der Systemgrenze, Ermittlung der Einflussfaktoren und Auswahl der relevanten Datensätze für Lasten der Prozesswärme und -kälte auf die themischen Netze,
  • Entwicklung von Machine Learning basierten Prognosemodellen für eine mittelfristige Vorhersage der Energieflüsse sowie der Prognoseabweichung,
  • Validierung der Modelle mittels Messdaten der ETA Fabrik anhand geeigneter Kriterien.

Notwendige Vorkenntnisse

Überblick

Kontakt

Teile diese Ausschreibung

Share on facebook
Share on google
Share on twitter
Share on linkedin
Share on pinterest
Share on print
Share on email