A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features

Diese Arbeit stellt ein neuartiges Deep-Learning-Framework vor, das durch die Anwendung der Continuous Wavelet Transform auf historische und meteorologische Daten die Genauigkeit der Vorhersage von Wärmebedarf in Fernwärmenetzen im Vergleich zu bestehenden Methoden signifikant verbessert.

Das Wesentliche

🌡️ Die „Wetter-Orakel"-Maschine für Fernwärme

Stellen Sie sich vor, Sie betreiben ein riesiges Netzwerk von Heizungsrohren, das ganze Städte mit warmem Wasser versorgt (das nennt man Fernwärme). Die große Herausforderung ist: Man muss genau wissen, wie viel Wärme morgen benötigt wird.

• Zu wenig? Die Bewohner frieren.
• Zu viel? Energie wird verschwendet, und die CO₂-Bilanz verschlechtert sich.

Bisher haben Computer versucht, das Wetter und die Vergangenheit zu analysieren, um die Zukunft vorherzusagen. Aber das ist wie ein Versuch, ein komplexes Musikstück nur zu verstehen, indem man auf die Lautstärke der einzelnen Noten schaut. Man verpasst dabei die Melodie und den Rhythmus.

Was haben die Forscher in diesem Papier gemacht?
Sie haben eine neue Art von „Künstlicher Intelligenz" (KI) entwickelt, die nicht nur auf die Lautstärke schaut, sondern das Signal in eine Karte mit Farben und Mustern verwandelt.

Hier ist die Erklärung in drei einfachen Schritten:

1. Der Zaubertrick: Vom Zeitstrahl zur Landkarte

Normalerweise sehen Daten wie eine flache Linie aus: Um 8 Uhr war es kalt, um 12 Uhr warm, um 18 Uhr wieder kalt.
Die Forscher nutzen eine mathematische Methode namens Wavelet-Transformation (ein bisschen wie ein Super-Mikroskop für Zeitreihen).

• Die Analogie: Stellen Sie sich vor, Sie haben ein langes Stück Seil, das Sie geschüttelt haben. Wenn Sie nur auf das Seil schauen, sehen Sie nur eine Welle. Aber wenn Sie das Seil in ein Sternenhimmel-Bild verwandeln, sehen Sie plötzlich: „Aha! Hier ist ein schneller Ruck (hohe Frequenz), und dort ist eine langsame Welle (niedrige Frequenz)."
• Die KI bekommt diese „Farbkarten" (Scalograms) statt der flachen Linie. Sie kann nun Muster erkennen, die für das menschliche Auge oder normale Computer unsichtbar sind.

2. Das Rezept: Was kommt in den Topf?

Um die Vorhersage genau zu machen, haben die Forscher verschiedene Zutaten getestet:

• Die Vergangenheit: Wie viel Wärme wurde gestern und vorgestern verbraucht? (Das ist wichtig, aber nicht alles).
• Das Wetter: Die Außentemperatur ist der wichtigste Faktor. Je kälter es ist, desto mehr wird geheizt.
• Der Kalender: Feiertage sind tricky. An Weihnachten heizen die Leute anders als an einem normalen Sonntag.
• Der Clou: Sie haben die Daten nicht einfach so hineingeworfen. Sie haben sie zuerst zerlegt (wie einen Kuchen in Schichten: die Grundschicht, die Füllung und die Sahne).
  • Trend: Geht die Heizung langfristig mehr oder weniger?
  • Saison: Kommt der Winter?
  • Rest: Was ist das kleine Chaos, das übrig bleibt?
  • Indem sie diese Schichten getrennt betrachten, versteht die KI viel besser, was passiert.

3. Das Ergebnis: Ein unschlagbarer Vorhersage-Experte

Die Forscher haben ihre neue KI gegen viele andere Modelle getestet – von einfachen statistischen Formeln bis hin zu den modernsten Super-KIs (Transformern).

• Das Ergebnis: Ihre Methode war deutlich besser. Sie machte 36 % bis 43 % weniger Fehler als die besten bisherigen Modelle.
• Warum? Während andere Modelle bei plötzlichen Änderungen (z. B. wenn es morgens plötzlich kälter wird oder ein Feiertag ist) oft „hinterherhinken" oder glätten, erkennt die neue KI die feinen Muster in den Farbkarten sofort. Sie kann die Spitzen der Nachfrage (z. B. morgens, wenn alle duschen) viel genauer treffen.

Warum ist das wichtig für uns alle?

Stellen Sie sich vor, die Heizungsanlage ist ein riesiges Orchester.

• Ohne diese KI: Der Dirigent spielt nach Gefühl. Manchmal ist es zu laut, manchmal zu leise. Energie geht verloren.
• Mit dieser KI: Der Dirigent hat eine perfekte Partitur. Er weiß genau, wann das Violin-Solo (der Heizungspeak) kommt.

Die Vorteile:

1. Geringere Kosten: Weniger Brennstoff wird verschwendet.
2. Umweltschutz: Weniger CO₂-Emissionen, weil die Heizung effizienter läuft.
3. Zuverlässigkeit: Niemand friert, weil die Vorhersage so präzise ist, dass man die Sicherheitsmargen verringern kann.

Zusammenfassend:
Die Forscher haben eine KI gebaut, die die Sprache der Wärme nicht nur „hört", sondern sie „sieht". Durch die Umwandlung von Daten in Bilder und das Zerlegen der Signale in ihre Bestandteile hat sie gelernt, die Zukunft der Heizungsnetze mit einer Genauigkeit vorherzusagen, die bisher unmöglich schien. Es ist ein großer Schritt hin zu smarteren, saubereren und günstigeren Heizsystemen für die Zukunft.

Technische Zusammenfassung

Titel: Ein Deep-Learning-Framework für die Wärmebedarfsprognose unter Verwendung von Zeit-Frequenz-Darstellungen dekomponierter Merkmale

1. Problemstellung

Die effiziente Steuerung von Fernwärmenetzen (District Heating Systems, DHS) ist entscheidend für die Nachhaltigkeit, die Reduzierung von CO₂-Emissionen und die Optimierung der Ressourcennutzung (z. B. Holz, Gas, Solar). Eine zentrale Herausforderung dabei ist die präzise Vorhersage des Wärmebedarfs über mehrere Zeitschritte (hier: 24 Stunden im Voraus).

• Herausforderungen: Der Wärmebedarf weist komplexe, nicht-lineare Muster auf, die von externen Faktoren wie Wetter, Kalenderevents (Feiertage, Wochenenden) und dem Verbrauchverhalten abhängen.
• Limitationen bestehender Methoden: Traditionelle statistische Modelle (z. B. SARIMAX) und frühere Deep-Learning-Ansätze (z. B. LSTM, einfache CNNs) haben Schwierigkeiten, langfristige Abhängigkeiten und hochfrequente Volatilität gleichzeitig zu erfassen. Zudem fehlt es oft an systematischen Benchmarks auf langen, heterogenen Datensätzen, und viele Transformer-Modelle (State-of-the-Art) wurden bisher nur auf kurzen Datensätzen getestet, was ihre saisonale Robustheit infrage stellt.

2. Methodik

Das vorgeschlagene Framework transformiert das Zeitreihen-Problem in ein Bildverarbeitungsproblem durch die Nutzung von Zeit-Frequenz-Darstellungen.

• Datenvorverarbeitung:

  • Nutzung von stündlichen Verbrauchsdaten aus drei Distrikten in Dänemark (Brønderslev) sowie öffentlichen Datensätzen aus Flensburg (Deutschland) und Aalborg (Dänemark).
  • Behandlung von Ausreißern mittels Savitzky-Golay-Glättung auf studentisierten Residuen.
  • Zeitreihen-Dekomposition: Die Eingangsmerkmale (Verbrauch und Wetter) werden in ihre Komponenten zerlegt: Trend, Saisonalität und Residuen. Dies entkoppelt die verschiedenen Einflussfaktoren für das Modell.

• Merkmalsrepräsentation (Kerninnovation):

  • Anstatt rohe Zeitreihen direkt zu verwenden, wird die Kontinuierliche Wavelet-Transformation (CWT) angewendet.
  • Die dekomponierten Zeitreihen werden in Skalogramme (2D-Matrizen) umgewandelt, die Frequenzkomponenten über die Zeit lokalisieren.
  • Diese Skalogramme werden zu einem 3D-Tensor zusammengeführt (Höhe: Frequenzskalen, Breite: Zeitfenster, Tiefe: Anzahl der Merkmale), der als "bildähnliche" Eingabe dient.

• Modellarchitektur (Wavelet-CNN):

  • Ein Convolutional Neural Network (CNN) verarbeitet die Skalogramme.
  • Architektur: Drei Schichten von 2D-Convolutional-Layern (mit 32, 64 und 128 Filtern), gefolgt von Fully-Connected-Layern (MLP) für die Regression.
  • Besonderheit: Es werden keine Pooling-Layer verwendet, um die zeitliche Phaseninformation und die räumliche Äquivarianz zu erhalten. Dies ist entscheidend, um die genaue Timing-Vorhersage von Spitzenlasten (z. B. morgendlicher Peak) zu gewährleisten.
  • Dropout wird zur Regularisierung eingesetzt.

• Merkmalsengineering:

  • Systematische Evaluierung von endogenen Merkmalen (Verzögerungen von 24h und 168h) und exogenen Wettermerkmalen (Temperatur, gefühlte Temperatur etc.).
  • Analyse von Feiertags-Strategien (kategorische vs. verzögerte historische Werte).
  • Ergebnis: Die Kombination aus dekomponierten Merkmalen und spezifischen Wetterdaten (insbesondere Umgebungstemperatur) liefert die besten Ergebnisse. Explizite zyklische Zeitmerkmale (z. B. Sinus/Cosinus für Wochentage) verschlechterten die Leistung, da die Zeit-Frequenz-Darstellung diese Informationen bereits implizit enthält.

3. Wichtige Beiträge

1. Neuartiges Framework: Einführung eines Deep-Learning-Ansatzes, der Zeitreihen durch CWT in 2D-Zeit-Frequenz-Bilder transformiert, um CNNs zur Mustererkennung zu nutzen.
2. Systematische Merkmalsanalyse: Umfassende Untersuchung des Einflusses von Dekomposition (Trend/Saison/Residuum) und Wettermerkmalen. Es wurde gezeigt, dass die Entkopplung der Signalkomponenten das Lernen für das Modell vereinfacht.
3. Umfassendes Benchmarking: Der Ansatz wurde gegen ein breites Spektrum von Modellen getestet: Statistische Methoden (SARIMAX), klassische ML (XGBoost), RNNs (LSTM), moderne Transformer (Informer, Autoformer, PatchTST, TimesNet) und Foundation Models (TTM, Chronos-2).
4. Robustheit und Generalisierung: Validierung auf multi-year Datensätzen (bis zu 7 Jahre) aus verschiedenen geografischen Regionen und Aggregationsebenen (Distrikte vs. einzelne Haushalte).

4. Ergebnisse

• Leistungsgewinn: Das vorgeschlagene Modell übertrifft alle Baselines signifikant. Im Vergleich zum stärksten Benchmark (TimeMixer) wurde der Mean Absolute Error (MAE) um 36 % bis 43 % reduziert.
  • Beispiel DMA A: MAE von ~173 kWh (TimeMixer) auf 99,76 kWh (Vorgeschlagenes Modell).
  • Beispiel DMA C: MAE von ~269 kWh auf 152,60 kWh.
• Genauigkeit: Die Prognosegenauigkeit liegt bei bis zu 95 % über den gesamten Testdatensätzen.
• Qualitative Analyse: Das Modell erfasst Spitzenlasten und Volatilitäten deutlich besser als Transformer-Modelle, die oft zu stark glätten, oder statistische Modelle, die Phasenverschiebungen aufweisen.
• Stabilität: Die longitudinale Analyse über mehrere Jahre zeigt, dass das Modell mit zunehmenden historischen Daten stabiler wird und auch bei sich ändernden Wetterbedingungen konsistent bleibt.
• Feiertage: Die Einführung spezifischer Feiertagsmerkmale (insbesondere verzögerte Werte für denselben Feiertag im Vorjahr) verbessert die Vorhersage für seltene Ereignisse erheblich, auch wenn die Gesamtmetriken nur marginal steigen.

5. Bedeutung und Fazit

Die Studie demonstriert, dass für hochpräzise Wärmebedarfsprognosen keine extrem großen Transformer-Architekturen notwendig sind. Ein maßgeschneidertes, leichtgewichtiges CNN, das auf Zeit-Frequenz-Darstellungen trainiert wird, erreicht State-of-the-Art-Ergebnisse.

• Praktische Relevanz: Die hohe Genauigkeit und die Fähigkeit, Spitzenlasten präzise vorherzusagen, ermöglichen es Netzbetreibern, die Versorgungstemperatur zu senken (Reduktion von Wärmeverlusten) und den Einsatz erneuerbarer Energien besser zu integrieren, ohne die Versorgungssicherheit zu gefährden.
• Zukunftsausblick: Während das Modell robust ist, bleibt die Vorhersage seltener, nicht wiederkehrender Ereignisse (z. B. extreme Störungen) eine Herausforderung, die zukünftige Forschung zu Few-Shot-Learning oder spezialisierten Architekturen erfordert.

Zusammenfassend bietet das Paper einen validierten, hocheffizienten Lösungsansatz für die intelligente Steuerung moderner Fernwärmenetze und setzt neue Maßstäbe in der Zeitreihenvorhersage für Energiesysteme.