Globale Modelle für die Fernwärmeprognose

Der Schlüssel zu besseren Vorhersagen und effizienteren Systemen

07.05.2025 – ca. 9 Min. Lesezeit – Zurück zur Startseite – Alle Blog-Artikel

Die präzise Vorhersage des Wärmebedarfs in Fernwärmesystemen ist nicht nur eine technische Herausforderung, sondern auch eine Notwendigkeit für eine effiziente und nachhaltige Energieversorgung.

Um diese Herausforderung zu meistern, werden immer häufiger fortschrittliche Zeitreihenmodelle eingesetzt. Doch trotz aller Fortschritte in der Modellierung bleibt eine zentrale Frage: Wie gut lassen sich diese Modelle auf neue, bisher unbekannte Fernwärmesysteme übertragen?

Diese Frage ist besonders relevant, wenn es sich um neue Fernwärmesysteme handelt, für die nur begrenzte historische Daten vorliegen – eine Situation, die häufig als „Cold-Start-Problem“ bezeichnet wird. In solchen Fällen müssen Modelle in der Lage sein, aus den Daten mehrerer bestehender Systeme zu lernen, um präzise Vorhersagen für Systeme zu treffen, die zu Beginn noch keine umfassenden historischen Daten haben.

Die Bedeutung der Generalisierung für die Vorhersagegenauigkeit

Die Generalisierungsfähigkeit eines Prognosemodells beschreibt, wie gut es gelernte Muster auf neue, unbekannte Daten übertragen kann.

In der Fernwärmeprognose ist dies besonders wichtig, da jedes System seine eigenen spezifischen Eigenschaften und jahreszeitliche Schwankungen aufweist. Ein Modell muss daher nicht nur für die Daten der Systeme, mit denen es trainiert wurde, präzise Vorhersagen treffen, sondern auch auf neue, bisher unbekannte Systeme anwendbar sein – selbst wenn für diese nur begrenzte historische Daten zur Verfügung stehen. Dies stellt eine große Herausforderung dar, da die Vielfalt und Komplexität der Fernwärmesysteme eine präzise und verlässliche Modellierung erfordert.

Moderne Modelle: Temporal Fusion Transformer (TFT) und TimesFM

In den letzten Jahren haben transformatorbasierte Modelle wie der Temporal Fusion Transformer (TFT) und das Time Series Foundational Model (TimesFM) neue Standards gesetzt. Diese Modelle bieten eine erweiterte Generalisierungsfähigkeit, die insbesondere für heterogene Fernwärmesysteme von Vorteil ist.

Was diese Modelle besonders auszeichnet, ist ihre Fähigkeit, als globale Modelle zu arbeiten, im Gegensatz zu traditionellen lokalen Modellen, die nur auf den Daten eines einzelnen Systems trainiert werden.

Globale Modelle vs. Lokale Modelle

Traditionell werden für die Prognose des Wärmebedarfs in Fernwärmesystemen lokale Modelle verwendet. Das bedeutet, dass für jedes Fernwärmesystem ein eigenes Modell trainiert wird, das nur auf den historischen Daten dieses spezifischen Systems basiert. Ein solches Modell ist nicht in der Lage, Synergien zwischen verschiedenen Systemen zu erkennen und zu nutzen, was insbesondere dann problematisch wird, wenn für ein neues System nur wenige historische Daten zur Verfügung stehen (z. B. beim Cold-Start-Problem). Zudem steigt der Wartungsaufwand, da für jedes einzelne System ein eigenes Modell gepflegt werden muss.

Globale Modelle wie TFT und TimesFM gehen einen anderen Weg: Anstatt für jedes System ein eigenes Modell zu trainieren, werden diese Modelle auf den Daten mehrerer Systeme gleichzeitig trainiert. Dies bedeutet, dass die Modelle von den Synergien und gemeinsamen Mustern zwischen verschiedenen Systemen profitieren können. Wenn verschiedene Fernwärmesysteme ähnliche saisonale Schwankungen oder ähnliche Verhaltensmuster in ihrem Wärmebedarf aufweisen, kann das Modell diese Informationen nutzen, um präzisere Vorhersagen zu treffen – auch für Systeme, die möglicherweise nur über eine begrenzte Menge historischer Daten verfügen.

Vorteile der globalen Modellierung

Die Verwendung von globalen Modellen bringt einige wesentliche Vorteile mit sich:

Verbesserte Generalisierungsfähigkeit
Globale Modelle können nicht nur Muster innerhalb eines einzelnen Systems lernen, sondern auch übergreifende Zusammenhänge zwischen verschiedenen Systemen erkennen. Dadurch können sie auch dann noch präzise Vorhersagen liefern, wenn die Daten für ein spezifisches System fehlen oder begrenzt sind.
Synergien zwischen Systemen nutzen
Unterschiedliche Fernwärmesysteme können ähnliche Muster aufweisen, die durch ein globales Modell erkannt werden können. Ein solches Modell kann z.B. saisonale Einflüsse oder wetterbedingte Schwankungen im Wärmebedarf verschiedener Systeme gleichzeitig berücksichtigen und so die Vorhersagegenauigkeit erhöhen.
Reduzierung des Aufwands für Modellpflege
Anstatt für jedes System ein eigenes Modell zu entwickeln und zu pflegen, wird ein einziges globales Modell verwendet, das für mehrere Systeme gleichzeitig funktioniert. Dies reduziert den Wartungsaufwand erheblich, insbesondere wenn neue Systeme hinzukommen.
Bessere Handhabung des Cold-Start-Problems
Das Cold-Start-Problem, bei dem für neue Systeme nur begrenzte historische Daten zur Verfügung stehen, wird durch globale Modelle besser gelöst. Durch den Zugriff auf Daten aus mehreren Systemen können globale Modelle Muster und Zusammenhänge erkennen, die für ein einzelnes System nur schwer zu identifizieren wären.

TFT und TimesFM als globale Modelle

Der Temporal Fusion Transformer (TFT) ist ein Beispiel für ein globales Modell. Es nutzt seine Attention-Mechanismen, um relevante Merkmale über mehrere Zeitreihen hinweg zu identifizieren. Dabei berücksichtigt es nicht nur historische Daten eines Systems, sondern auch externe Variablen wie Wetterbedingungen oder Systemgröße, die für die Vorhersage des Wärmebedarfs entscheidend sind. Dadurch kann das TFT Synergien zwischen verschiedenen Fernwärmesystemen nutzen und so die Vorhersagegenauigkeit auch in neuen, weniger gut dokumentierten Systemen verbessern.

Das TimesFM-Modell kann ebenfalls als globales Modell eingesetzt werden. Es ist jedoch ein sogenanntes univariates Modell, d.h. es berücksichtigt keine externen Kovariaten, sondern konzentriert sich ausschließlich auf die historische Zeitreihe eines Systems, d.h. ausschließlich auf den Verlauf des Wärmebedarfs. Das TimesFM hat jedoch den Vorteil, dass es auf ein umfangreiches Vortrainierung zurückgreifen kann, was es besonders leistungsfähig für die Anwendung auf heterogene Datensätze macht. Es bietet auch eine hohe Skalierbarkeit und ist hilfreich bei der Vorhersage von univariaten Zeitreihen in Situationen mit wenigen historischen Daten.

Insgesamt zeigen diese Modelle, wie globale Modellarchitekturen dazu beitragen können, die Komplexität und den Aufwand im Energiesektor zu reduzieren und gleichzeitig die Vorhersagegenauigkeit und Flexibilität zu erhöhen – insbesondere in Szenarien mit mehreren heterogenen Fernwärmesystemen.

Evaluierung der Generalisierungsfähigkeit

Im Rahmen meiner Masterarbeit wurde die Generalisierungsfähigkeit dieser modernen Modelle anhand realer Daten aus verschiedenen Fernwärmesystemen getestet. Dabei wurde sowohl die interne Generalisierung (die Leistung auf neuen Daten aus Systemen, die im Trainingssatz enthalten waren) als auch die externe Generalisierung (die Leistung auf neuen, nicht gesehenen Systemen) bewertet.

Die Ergebnisse der Tests zur internen Generalisierung haben gezeigt, dass das TFT-Modell als globales multivariates Modell die Leistungsfähigkeit der bisherigen lokalen Modelle signifikant übertreffen kann. Besonders hervorzuheben ist, dass das TFT-Modell in der Lage ist, eine Vielzahl zusätzlicher Datenquellen zu integrieren, was zu einer Verbesserung der Vorhersagegenauigkeit führt. Das TimesFM-Modell, das auf ein umfangreiches Pretraining zurückgreifen kann, schnitt in diesem Fall schlechter ab. Eine mögliche Erklärung hierfür könnte sein, dass das TimesFM als univariates Modell keine externen Kovariaten wie Wetterdaten oder Systemgrößen berücksichtigt. Diese zusätzlichen Informationen, die das TFT-Modell aufgrund seiner multivariaten Architektur einbeziehen kann, ermöglichen eine präzisere Erfassung der Wärmebedarfsmuster und führen zu verlässlicheren Vorhersagen.

Im Test zur externen Generalisierung, bei dem das Cold-Start-Problem simuliert wurde, zeigte sich der Vorteil der globalen Modelle besonders deutlich. Mit nur vier Tagen historischer Daten konnten sowohl das TFT als auch das TimesFM-Modell deutlich präzisere Vorhersagen treffen als ein traditionelles lokales Modell, das nur auf den begrenzten Daten eines einzelnen Systems basiert. Auch hierzeigte sich das TFT-Modell als überlegen und lieferte etwas genauere Vorhersagen als das TimesFM-Modell.

Die Ergebnisse der Evaluierung bestätigen, dass insbesondere globale multivariate Modelle wie der Temporal Fusion Transformer (TFT) signifikante Vorteile in der Vorhersagegenauigkeit bieten, vor allem in komplexen und heterogenen Fernwärmesystemen. Durch die Fähigkeit, Synergien zwischen verschiedenen Systemen zu nutzen, bieten diese Modelle eine deutliche Verbesserung gegenüber traditionellen lokalen Modellen. Darüber hinaus zeigen sie ihre Stärke insbesondere beim Umgang mit Cold-Start-Problemen, indem sie auch bei begrenzten historischen Daten zuverlässige Vorhersagen liefern können.

Autorin

, Werkstudentin bei scieneers GmbH
zoe.zantow@scieneers.de