Automated Calibration of District Heating System Models Using Machine Learning and Simulation Tools

Abstract

Fernwärmenetze spielen eine entscheidende Rolle in der nachhaltigen Energiewirtschaft und erfordern eine genaue Modellierung und Simulation für optimale Effizienz. In dieser Arbeit wird ein automatisierter Kalibrierungsprozess vorgestellt, der die Genauigkeit von Wärmenetzsimulation verbessern und gleichzeitig den Bedarf an Expert:innenwissen verringern soll. Die Methode nutzt reale Messdaten, die Morris Methode, Gauß'sche Prozessregression und Bayes'sche Kalibrierung um wichtige Modellparameter zu kalibrieren. Zunächst wird eine globale Sensitivitätsanalyse mit Hilfe der Morris-Methode durchgeführt, um die Parameter zu identifizieren, welche den größten Einfluss auf die Simulationsergebnisse haben. Anschließend wird zur Verringerung der Simulationszeit und des Rechenaufwandes ein Metamodell mit Hilfe der Gauß'schen Prozessregression erstellt. Schließlich wird die Bayes'sche Kalibrierung eingesetzt, um die Parameter zu kalibrieren. Die ursprünglichen Simulationsergebnisse werden mit den kalibrierten Simulationsergebnissen für einen Zeitraum von 24 Stunden verglichen.Der erarbeitete Ansatz wurde an einem realen Fernwärmenetz getestet, das aus 61 Gebäuden und einem Blockheizkraftwerk besteht. Die Ergebnisse zeigen, dass die automatische Kalibrierung die Genauigkeit von zwei wichtigen Leistungsindikatoren erheblich verbessert: Rücklauftemperatur an der Einspeisung und Wärmeleistung der Einspeisung. Durch die Sicherstellung physikalisch realistischer Grenzen der Parameter erhöht der Kalibrierungsprozess die Zuverlässigkeit des Modells.Die Ergebnisse zeigen die Wirksamkeit der vorgeschlagenen Methodik bei der Kalibrierung der wichtigsten Modellparameter. Die globale Sensitivitätsanalyse identifizierte erfolgreich die einflussreichsten Parameter und sorgte für einen zielgerichteten Kalibrierungsprozess. Das Ersatzmodell mit Gauß'scher Prozessregression approximierte die ursprüngliche Simulation genau, wodurch der rechnerische Aufwand erheblich gesenkt und die Vorhersagegenauigkeit beibehalten wurde. Die Bayes'sche Kalibrierung führte zu einer besseren Übereinstimmung zwischen den Modellergebnissen und den empirischen Daten für den Zeitraum von 24 Stunden.Während der automatisierte Ansatz die Fehlerspannen im Vergleich zu den ursprünglichen Simulationen erfolgreich reduziert, können weitere Verbesserungen erforscht werden, einschließlich der Optimierung von A-priori Wahrscheinlichkeitsverteilungen, der Verwendung alternativer MCMC-Algorithmen und der Erweiterung der Parameterauswahl. Diese Forschungsarbeit legt den Grundstein für robustere und skalierbare Kalibrierungssysteme und trägt damit zur Weiterentwicklung effizienter Fernwärmenetze bei.

District heating networks play a crucial role in sustainable energy management; therefore, they need accurate modeling and simulation for optimal efficiency and reliability. This thesis presents an automated calibration process designed to enhance the accuracy of district heating system simulations while reducing the need for expert knowledge. The methodology integrates real-world measurement data, the Morris method, Gaussian Process Regression, and Bayesian calibration to refine key model parameters. At first, a global sensitivity analysis is performed using the Morris method to identify the parameters having the greatest influence on the simulation results. Subsequently, to mitigate computational costs, a meta-model is constructed using Gaussian Process Regression. Finally, Bayesian calibration is employed to refine the parameter estimates, and the initial simulation results are compared to the calibrated simulation results for a timeframe of 24 hours.The proposed approach was tested on a real-life district heating network consisting of 61 buildings and a combined heat and power (CHP) unit. The results demonstrate that the automated calibration significantly improves the accuracy of two key performance indicators: return temperature at the supply station and thermal power of the supply station. By ensuring physically realistic parameter constraints, the calibration process enhances model reliability.The results demonstrate the effectiveness of the proposed methodology in refining key model parameters. The global sensitivity analysis using the Morris method successfully identified the most influential parameters, ensuring a focused calibration process. The Gaussian Process Regression surrogate model accurately approximated the original simulation, significantly reducing computational costs while maintaining predictive accuracy. Bayesian calibration further improved parameter estimation, leading to a better alignment between model predictions and empirical data.While the automated approach successfully reduces error margins compared to initial simulations, further improvements can be explored, including optimizing prior distributions, employing alternative Markov-Chain-Monte-Carlo algorithms, and expanding parameter selection. This research lays the foundation for more robust and scalable calibration frameworks, contributing to the ongoing development of efficient district heating networks.