Energiepreise, sowohl auf Energieerzeuger- wie auch auf Abnehmerseite, werden zusehends dynamischer und schwer vorhersehbar. Energieabhängige Betriebe möchten daher schnell und flexibel auf Input (Energiebedarf) reagieren, um in Relation zum Output an Energie/Wärme bestmöglich bilanzieren zu können.

In Fernwärmenetzen muss die Energienachfrage zu jedem Zeitpunkt gedeckt sein. Bei Biomasse(heiz)kraftwerden kann der Biomassekessel oftmals nicht schnell genug auf Bedarfsschwankungen und Lastspitzen reagieren. Um die Nachfrage bedienen zu können, wird meist ein mit fossilen Brennstoffen betriebener Spitzenlastkessel eingesetzt. Dieser ist einerseits kostenintensiv und verursacht andererseits hohe Emissionen.

Die Toolbox „Wärmebedarfsforecast“ stellt grundsätzlich verfügbare Daten, zum Beispiel externe Wetterdaten oder Temperaturmessungen aus Anlagedaten, in passender Form für den spezifischen Standort und die weitere Bearbeitung zur Verfügung. Damit kann ein passendes Vorhersagemodell aus historischen Daten mit Hilfe von Machine Learning trainiert werden, um ein datenbasiertes Forecastmodell rollierend in die nahe Zukunft zu generieren. Anhand der Vorhersage können Regelwerte so programmiert werden, dass eine der Situation angepasste, optimale, Pufferleistung stattfinden kann.

Diese laufend angepasste Vorhersage ermöglicht proaktives Reagieren und eine Glättung von Spitzen. Dies wiederum ermöglicht ein ruhigeres Fahren des Kessels, geringere Emissionen und Kostenersparnisse aus der Vermeidung oder der Reduktion der Einsatzzeiten der Spitzenlastkessel.

Bei Energieerzeugern für Wärme und Strom mit mehreren Kesseln kann die Energiebilanz optimal und nach Zielsetzung zwischen Energieeigenbedarf und Energieverkauf ausbalanciert werden.