Grid Insight: Heat ist die Lösung zur Optimierung Ihrer Wärmenetze und -produktion. Mit dem digitalen Fernwärmezwilling blicken Sie auf Basis von live-Daten in Ihre Fernwärmenetze und machen so den nächsten Schritt zur Dekarbonisierung der Fernwärme.
Mit dem digitalen Zwilling lösen sie die Blackbox der Fernwärme auf und erhalten Echtzeit-Einsichten in Ihr Fernwärmeprodukt und -verteilung.
Senken Sie Ihre Kosten durch effektive Einsparung von Primärenergie und betreiben Sie Ihre Fernwärmenetze im Effizienzoptimum.
Durch das Echtzeitmonitoring und die Prognose können Sie schnell auf Veränderungen reagieren und die Versorgungssicherheit verbessern.
Grid Insight: Heat verwendet Live-Daten, damit Ihre Fernwärme auf dem Ist-Zustand simuliert wird und nicht auf einem alten Plan-Zustand
Machine Learning Algorithmen verbessern das Prognosemodell kontinuierlich, wodurch die Prognosegenauigkeit stetig steigt.
Die Stadtwerke Iserlohn haben mit Grid Insight: Heat den Stadtwerke-Award 2022 gewonnen. Der Preis wurde am 20.09. im Rahmen des VKU Stadtwerke Kongresses verliehen. Durch eine Prognosegüte von über 93 % und die Reduktion der Gaslastspitzen durch die gezielte Optimierung wurden die Kosten zur Wärmeerzeugung um einen mittleren sechsstelligen Betrag reduziert. Durch die Reduzierung der Gasleistungsspitzen und des Gasverbrauchs sowie Maximierung der Produktion von CO₂-optimierter Müllwärme trägt das Projekt messbar zur Erreichung der Klimaziele der Stadtwerke Iserlohn bei.
Eine Echtzeitkarte bietet nicht nur eine einfache Möglichkeit, aktuelle Daten im Netz einzusehen, sondern auch eine Funktion zur Aggregation und Analyse der Daten aus Wärmemengenzählern, Netzinfrastruktur (wie z. B. Wärmeübergabestationen, Schächte etc.), Wärmespeichern sowie Erzeugungsanlagen. Zudem können im Regelkonfigurator für selbstdefinierte Netzabschnitte Überwachungsregeln erstellt werden, deren Verstöße per Live-Ticker gemeldet und historisiert werden.
Die Drucksimulation ermöglicht es dem Anwender, auf der Basis von Echtzeitdaten aus den Live-Systemen eine Drucksimulation zu einem beliebigen Zeitpunkt in der Vergangenheit durchzuführen und dabei die Druckverhältnisse, Fließgeschwindigkeiten und Fließrichtungen in den Vor- und Rücklaufleitungen zu beobachten. Die Simulationsergebnisse werden mit den tatsächlichen Druckwerten aus den Schachtmessungen verglichen, um dem Anwender eine Einschätzung über die Genauigkeit der simulierten Werte zu geben.
Grid Insight: Heat bietet ein fortschrittliches Wärmeprognose-Modul, das auf maschinellem Lernen basiert. Es integriert Wetter-, Kalender- und Feiertagsdaten für präzise Vorhersagen. Durch kontinuierliche Modellverbesserungen passt es sich dynamisch an Netz- und Verhaltensänderungen an. Visualisierungen zeigen Einflussfaktoren wie Luft- und Bodentemperatur sowie Globalstrahlung. Das Gantt-Diagramm zeigt Kalenderereignisse. Historische und prognostizierte Wärmemengen werden im Diagramm verglichen. Fehlermetriken ermöglichen die Prognosebewertung und den Vergleich verschiedener Prognosen. Entdecken Sie präzise Wärmeprognosen für Ihr Netzgebiet mit Grid Insight: Heat!
Im Modul Kraftwerkswirtschaft erhalten Sie einen vollständigen Überblick über Ihre Erzeugungsstruktur inklusive einer Auswertungsmöglichkeit für Anlagen mit Kraft-Wärme-Kopplung. Vergleichen Sie Plan- und Ist-Werte sowie Fernwärme- und Stromproduktion miteinander und behalten Sie aktuelle erzeugungsrelevante Ereignisse im Blick. Sie erhalten für einen frei wählbaren Zeitraum die wichtigsten Kennzahlen wie Betriebsstunden, geschätzte Stromerträge und erzeugte Gesamtwärmemenge, um die Wirtschaftlichkeit des Erzeugungsfahrplans kontinuierlich zu analysieren.
Senken Sie Ihre Kosten durch effektive Einsparung von Primärenergie und betreiben Sie Ihre Fernwärmenetze im Effizienzoptimum.
Die Fernüberwachung von Anlagen und Hausanschlüssen ermöglicht eine schnellere Erkennung von Problemen und eine proaktive Instandhaltung.
Durch das Echtzeitmonitoring und die Prognose können Sie schnell auf Veränderungen reagieren und die Versorgungssicherheit verbessern.
Durch die Nutzung von Machine-Learning kann das Prognosemodell kontinuierlich verbessert werden, wodurch die Prognosegenauigkeit steigt.
