Kurzbeschreibung
Biomasse-Nahwärmenetze sind ein wichtiger Beitrag zur Realisierung einer nachhaltigen Energieversorgung und fördern zugleich die regionale Wertschöpfung. Der effiziente und emissionsarme Betrieb derartiger Anlagen setzt jedoch eine intelligente Vernetzung zwischen der Energiebereitstellung, der Energiespeicherung und der Energieverteilung voraus. Erst dadurch kann eine gezielte Anpassung der Lastverteilung an die optimalen Betriebsbedingungen der Wärmeversorgungseinheit unter Berücksichtigung der Nutzeranforderungen erfolgen. Derzeit werden hingegen die Fernwärmenetze bedarfsorientiert betrieben. Das bedeutet, dass die Leistung des Wärmeerzeugers immer an den momentanen Bedarf aller Wärmeabnehmer angepasst wird. Dies führt zu ungünstigen Betriebspunkten mit geringen Wirkungsgraden und hohen Emissionswerten. Damit optimale Betriebsbedingungen gewährleistet werden können, werden neue, umsetzbare Lösungsansätze benötigt, welche eine integrale und insbesondere ganzheitliche Optimierung aller beteiligten Anlagenkomponenten und Betriebsparameter voraussetzen. In diesem Zusammenhang zeigen die Betriebserfahrungen von Fernwärmenetzen, dass bereits ein großes Analyse- und Optimierungspotenzial in den von der Leittechnik aufgezeichneten Messdaten vorliegt. Diese werden jedoch kaum automatisiert zur Betriebsoptimierung eingesetzt. Zudem werden die Möglichkeiten von neuen IoT-Infrastrukturen kaum genutzt. Innerhalb des Projektes wird daher das Potenzial an vorhandenen Messdaten erhoben und durch Pre-Processing (Datenqualitätsüberprüfung, Synchronisation von Zeitstempeln, Ausfilterung von unplausiblen Werten, Prüfung ob Zählerstände monoton steigend, Auffüllen von Messdatenlücken, usw.) aufbereitet sowie der Datenbestand mit meteorologischen Daten ergänzt. Im nächsten Schritt werden Methoden zur Identifikation und zur Realisierung des verbraucherseitigen Load-shift Potenzials entwickelt. Dazu werden hybride Black-Box/Grey-Box Modelle zur Vorhersage der Heizwärme- und Warmwasserlastprofile abgeleitet und die Modellparameter vorrangig über die Leittechnikdaten kalibriert. Anschließend erfolgt die Integration der Systemidentifikationsmodelle in einen modellbasierenden Regler zur Optimierung des Lastmanagements. Abschließend wird der datengetriebene Optimierungsalgorithmus anhand eines Funktionsmusters validiert.