Dezentral gespeisten W?rme- und K?ltenetzen
Energieeffizienzbasierte Regelung von dezentral gespeisten W?rme- und K?ltenetzen unter Berücksichtigung von Lebensdauereffekten
Die Stadtwerke München (SWM) haben gemeinsam mit drei Partnern ein Forschungsprojekt zur Effizienz von Energienetzen ins Leben gerufen. Im Projekt ?En-eff_Netzregelung“, das vom Bundesministerium für Wirtschaft und Klimaschutz gef?rdert wird, sollen Grundlagen erarbeitet werden, um Fernw?rme- und Fernk?ltenetze bezüglich Energieeffizienz und Lebensdauer optimal betreiben zu k?nnen. Berücksichtigt werden dabei die künftig regenerative und eher dezentrale Erzeugungsstruktur, niedrigere Vorlauftemperaturen sowie ein zunehmender Ausbau der Netzsensorik durch Smart Metering.
Das Projekt beinhaltet zun?chst die Erforschung und Modellierung von Energieverlusten. Zur ?berprüfung werden an ausgew?hlten Punkten im Fernw?rmenetz der SWM Sensoren Temperatur und Feuchtigkeit im Boden erfassen. Daneben sollen auch Alterungseffekte der Infrastruktur erforscht und modelliert sowie anhand der erhobenen Daten verifiziert werden.
Die Ergebnisse werden in ein schon bestehendes Netz-Simulationsmodell integriert. Anhand dieses Netzmodells soll dann ein Verfahren zur Netzregelung entwickelt werden, welches alle Effekte berücksichtigt und das Netz entsprechend regelt. Mittelfristig soll das so entwickelte Gesamtverfahren in den SWM Netzen implementiert werden.
Zielsetzung ist die Entwicklung einer Software, die ein Fernw?rmenetz vollautomatisch optimal bezüglich Lebensdauer sowie Energieeinsatz steuern und regeln kann und dabei allen denkbaren Betriebssituationen gewachsen ist. Zun?chst soll diese Software aber nicht automatisch Regelungen umsetzen, sondern das Betriebspersonal mit Vorschl?gen für einen optimalen Betrieb unterstützen.
Für die SWM sind die Ergebnisse vor allem im Hinblick auf eine ideale Energieausnutzung im zunehmend mittels Geo?thermie gespeisten Münchner Fernw?rme- und Fernk?ltenetz in Kombination mit neuen Einsatzm?glichkeiten digitaler Techniken in der Infrastruktur von gro?em Interesse. Vereinfacht gesagt, k?nnten durch einen noch effizienteren Netzbetrieb mit der gleichen Energiemenge 澳门皇冠_皇冠足球比分-劲爆体育 Haushalte versorgt werden.
Die Partner auf Forschungsseite sind das Institut für Automatisierungstechnik (IAT) der Universit?t Bremen und der Bereich Technisches Infrastrukturmanagement der HafenCity Universit?t (HCU) in Hamburg. Das IAT ist für die Weiterentwicklung des vorhandenen Netz-Simulationsmodells sowie für die Entwicklung von optimalen Regelungsalgorithmen zust?ndig. Die HCU entwickelt Berechnungsalgorithmen für die Einsch?tzung von Energieeffizienz und Gebrauchsdauer der Leitungen. Der Fernw?rme-Spitzenverband AGFW komplettiert das Konsortium und stellt die Migration der Forschungsergebnisse des Projekts ?En-Eff_Netzregelung“ in die Branche sicher.
Am IAT wird insbesondere ein bereits entwickeltes Modell zur genauen Berechnung von Druckverh?ltnissen, Massenstr?men und Kundenabnahmen in Fernw?rmenetzen auf der Basis begrenzter realer Messdaten um die Berücksichtigung von Temperaturverl?ufen erweitert. Diese Erweiterung wird auch auf K?ltenetze angewandt. Auf dieser Grundlage strebt man die Entwicklung einer optimierten Netzregelung an, welche sowohl W?rmeverluste minimiert als auch die Lebensdauer der Leitungen erh?ht.
Die effiziente Verteilung von W?rme bleibt ein zentrales Ziel, um den spezifischen Druck- und Temperaturanforderungen der Kunden bestm?glich gerecht zu werden. In diesem Kontext werden zwei Ans?tze zur Regelung der Fernw?rmenetze der Stadtwerke München verfolgt: einerseits die modellpr?diktive Regelung (MPC) und andererseits eine auf künstlicher Intelligenz basierende Methode mittels Reinforcement Learning (RL).
Die modellpr?diktive Regelung erfordert ein pr?zises und schnelles Modell sowie eine Echtzeit-Optimierung auf Grundlage von Gradienten. Im Gegensatz dazu nutzt das Reinforcement Learning ein künstliches neuronales Netzwerk, welches vorab anhand des Modells in spezifischen Betriebsszenarien trainiert wird. Hierfür ist die Generierung einer betr?chtlichen Datenmenge auf Basis des Modells notwendig. Um diese Herausforderungen anzugehen, werden neben physikalischen thermo-hydraulischen Modellen auch Methoden der Systemidentifikation und des maschinellen Lernens eingesetzt.