Data Science in Production – Wärmebedarfsprognosen in der Cloud

Im Kontext einer ganzheitlichen Betriebsoptimierung von Anlagen zur Erzeugung von (Wärme-)Energie ist eine möglichst präzise Prognose des Wärmebedarfs, der von diesen Anlagen bedient wird, elementar. Gerade für Anlagen, die sich aus multiplen Erzeugern und Verbrauchern zusammensetzen, gestaltet sich die Modellierung des Wärmebedarfs als äußerst schwierig.

Moderne Modellarchitekturen auf Basis von Rekurrenten Neuronalen Netzen erlauben es, diese Komplexität abzubilden und präzise Prognosen zu liefern.

Der Vortrag behandelt die Datenanalyse, die Modellentwicklung und die in Produktion erzielten Mehrwerte, die sich vor allem durch eine deutliche Umsatzsteigerung auszeichnen. Außerdem wird die Bereitstellung des Modells in der Azure Cloud beschrieben.

Gemeinsam mit den wichtigsten Lessons Learned – u.a. zum Thema Batch vs. Online Learning – kann diese Vorgehensweise bei der Realisierung von ähnlichen Projekten dienlich sein, bei denen die Entwicklung von ML-Modellen und deren Einsatz über Cloud-Ressourcen im Fokus steht.

Vorkenntnisse

Grundlegendes technisches Verständnis und erste Berührungspunkt im Bereich Data Science/Data Engineering/ML sind von Vorteil. Grundlegende Begriffe und deren Verständnis aus den genannten Fachgebiete ebenfalls (z.B. ML, Deep Learning, Neuronale Netze).

Lernziele

Der Vortrag zeigt einen realen Use Case bei STEAG New Energies von der Planung des Vorgehens, über die Datenanalyse und die Modellentwicklung bis hin zur Bereitstellung und Wartung des Modells in einer Cloudumgebung.

Der Vortrag bietet dadurch einen Einblick in die Methodik und Wichtigkeit der Datenanalyse sowie der damit gewonnen Erkenntnisse und zeigt einen Überblick über die genutzte Cloud Architektur/Services und deren Zusammenspiel.