Concetti Chiave
Ein neuartiger, effizienter Algorithmus zur Erzeugung von Trainingsdaten für lernbasierte Modelle des thermischen Lastflusses in Wärmenetzen der 4. Generation, der die Berechnungszeiten deutlich reduziert.
Sintesi
Der Artikel beschreibt ein neuartiges Verfahren zur effizienten Erzeugung von Trainingsdaten für lernbasierte Modelle des thermischen Lastflusses in Wärmenetzen der 4. Generation.
Klassische Ansätze zur Berechnung des thermischen Lastflusses, wie der Dekomponierte Algorithmus oder das Newton-Raphson-Verfahren, sind iterativ und daher rechenintensiv. Lernbasierte Modelle können diese Berechnungen deutlich schneller durchführen, benötigen dafür aber eine große Menge an Trainingsdaten.
Der vorgeschlagene Algorithmus definiert eine Proxy-Verteilung über die Massenströme an den Einspeise- und Verbrauchsknoten. Aus dieser Proxy-Verteilung können die Trainingsdaten in einem einzigen Durchlauf ohne iterative Berechnungen generiert werden. Durch geeignetes Gewichten der Trainingsdaten wird sichergestellt, dass die resultierende Verteilung der ursprünglichen Verteilung entspricht.
In Simulationen für verschiedene typische Wärmenetzstrukturen zeigt sich, dass der neue Ansatz die Generierungszeiten für Trainingsdaten um bis zu zwei Größenordnungen reduzieren kann, ohne Qualitätseinbußen. Außerdem übertrifft das lernbasierte Modell, das mit den so erzeugten Trainingsdaten trainiert wurde, deutlich Ansätze, die ohne Trainingsdaten auskommen.
Statistiche
Die Berechnung des thermischen Lastflusses klassisch mit dem Dekompositionsalgorithmus oder dem Newton-Raphson-Verfahren kann Sekunden dauern, während das lernbasierte Modell Mikrosekunden benötigt.
Citazioni
"Lernbasierte Ansätze können die Berechnungszeiten für den thermischen Lastfluss um mehrere Größenordnungen beschleunigen."
"Der vorgeschlagene Algorithmus reduziert die Generierungszeiten für Trainingsdaten um bis zu zwei Größenordnungen, ohne Qualitätseinbußen."