Steindl, GernotGernotSteindlPfeiffer, ChristianChristianPfeiffer0000-0002-1227-8443Puchegger, MarkusMarkusPuchegger0000-0002-8156-41362017-12-192017-12-192017-11In: Zukunft der Gebäude, 161-1689783701103997http://hdl.handle.net/20.500.11790/1018Im Kontext des Smart Grid und der hybriden Netzbetrachtung stellen Wärmenetze eine Flexibilität für das Stromnetz bereit, die durch intelligente Nutzung eine bessere Integration der erneuerbaren Energieträger ermöglichen kann. Dafür sind Wärmelastprognosen für das Wärmenetz erforderlich, um prädiktiv die Wärmebereitstellung zu regeln. Die Stärken des NARX-Modelles in Kombination mit Neuronalen Netzen liegen dabei in der Lernfähigkeit und Adaptierbarkeit des Modells. Trotz einer suboptimalen Menge an Trainingsdaten und der geringen Größe des betrachteten Nahwärmenetzes, liefert das Modell gute Prognosewerte in einem Prädiktionshorizont von bis zu 24 Stunden.deinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Österreichische Systematik der Wissenschaftszweige 2012::Naturwissenschaften::Informatik::Informatik::Künstliche Neuronale NetzeÖsterreichische Systematik der Wissenschaftszweige 2012::Naturwissenschaften::Informatik::Informatik::Machine LearningÖsterreichische Systematik der Wissenschaftszweige 2012::Naturwissenschaften::Informatik::Informatik::ComputersimulationData MiningDistrict Heating NetworkHeat Load Profileinfo:eu-repo/semantics/conferenceObject