Unser Kundenmagazin smart & easy Ausgabe 1/2021
Veröffentlicht: 01. Jul 2021
Blockheizkraftwerk 2.0 durch maschinelles Lernen und KI
Die Energie- und Mobilitätswende erzeugt auf vielen Ebenen neue wirtschaftliche und technische Herausforderungen für die Energiewirtschaft. Auch Blockheizkraftwerke (BHKW) spielen bei der Energiewende in Quartieren eine wichtige Rolle.
Mit Blockheizkraftwerken als dezentrale Energieerzeuger produzieren kommunale Versorger auf umweltfreundliche Weise Fernwärme und Strom. Mit jedem BHKW versorgen sie öffentliche Gebäude, Hotels, Restaurants, Schulen, Schwimmbäder und Wohngebäude in der direkten Umgebung mit Wärme und Strom. Ganz im Sinne von Energiewende und Sektorenkopplung wird hier Energie so nah wie möglich beim Verbraucher produziert. Dank effizienter Kraft-Wärme-Kopplung erreichen BHKW – abhängig von Größe und Art der Anlage – unterschiedlich hohe Gesamtwirkungsgrade – im Optimalfall bis zu 90 Prozent. So kann man ein ganzes Quartier mit erneuerbarer Energie versorgen. Die bei der Erzeugung von Strom anfallende Wärme gelangt dabei in Heizwasserleitungen zu den Kunden der Versorger. Die Energie für das Quartier kommt damit nicht mehr ausschließlich zentral aus einem fernen Großkraftwerk, sondern wird direkt vor Ort produziert. Die aus der dezentralen Stromerzeugung gewonnene CO2-neutrale Wärmelieferung wirkt sich zudem positiv im Energieausweis der am Nahwärmenetz angeschlossenen Immobilien aus.
Energie für Ladeinfrastruktur
Die dezentrale Versorgung von Quartieren mit Energie und Wärme ist nicht der einzige Anwendungsfall. Blockheizkraftwerke können auch an Autobahnen zur Energieversorgung von E-Mobilitäts-Ladeinfrastrukturen eingesetzt werden. Damit sind sie ein Paradebeispiel für die effiziente Sektorenkopplung. Dies spielt vor allem dort eine Rolle, wo das Stromnetz vor Ort für den hohen und stark schwankenden Energiebedarf nicht ausgelegt ist.
Die effiziente Umsetzung solcher Lösungen erfordert eine optimierte Steuerung der dezentralen Energieversorger, um die Kosten für die Erzeugung zu minimieren und gleichzeitig eine hohe Energieversorgungssicherheit zu gewährleisten. Damit Strom und Wärme in ausreichender Menge und zur richtigen Zeit zur Verfügung stehen, muss der Bedarf für die unterschiedlichen Anwendungsfälle möglichst genau prognostiziert werden. 26
Optimierung dank Data Analytics
Zu einer datengetriebenen Optimierung der Steuerung eignen sich analytische Plattformen wie „LPDG Analytics“. Mit der Plattform ist es möglich, die Daten aus den Sensoren und dem Leitsystem zu extrahieren, diese zu verarbeiten und mit anderen externen Datenquellen anzureichern. Zudem kann durch den Einsatz von künstlicher Intelligenz und maschinellem Lernen aus den historischen Daten der zukünftige Energiebedarf prognostiziert werden.
Zur Planung der BHKW-Laufzeiten müssen unterschiedliche Dimensionen wie die erwarteten Abnahmemengen von Wärme und Energie, die Füllstände der Wärmespeicher, Wetterdaten und die Vorlauftemperaturen einbezogen werden. Die erwarteten Abnahmemengen werden durch ein additives Prognose-Modell mit maschinellem Lernen aus den Werten der Vergangenheit errechnet.
Dazu werden sowohl die saisonalen Schwankungen als auch die Abhängigkeiten zu externen Faktoren wie der Umgebungstemperatur berücksichtigt. Um ein realistisches Szenario für die Laufzeitenplanung zu erreichen, berücksichtigt das Datenmodell zudem die Kapazitäten der Wärmespeicher und die Mindestlaufzeiten als Parameter.
Zur Einspeisung der Energie in das Stromnetz kann die Energieerzeugung noch optimiert werden. Dies gelingt durch die Anbindung weiterer externer Datenquellen, wie den prognostizierten Preisen der European Energy Exchange AG (EEX).
Vorausschauende Wartung für Blockheizkraftwerke
Ein weiterer Anwendungsfall für eine datengetriebene Optimierung von Blockheizkraftwerken ist die „vorausschauende Wartung“ (engl. „Predictive Maintenance“), die zur Sicherstellung der Versorgung die Ausfallwahrscheinlichkeit ermittelt. Als vorausschauende Wartung wird ein Wartungsvorgang bezeichnet, der auf der Auswertung von Prozess- und Maschinendaten basiert und durch die Verwendung von Vorhersagemodellen und relevanter Maschinendaten Prognosen zur bedarfsgerechten Wartung ermöglicht.
Somit wird die Reduktion von Ausfallzeiten und eine bessere Planbarkeit der Wartungen erreicht. Auch für diesen Anwendungsfall werden nicht nur die Daten der Maschinen und Anlagen selbst, sondern auch Umgebungsdaten in die Analyse einbezogen, die durch den Einsatz zusätzlicher Sensoren gewonnen werden.
Durch die Methoden der Datenintegration, Datenbereinigung und Vereinheitlichung auf der LPDG Analytics Plattform bildet die Gesamtheit der Daten so die Basis zur Erkennung und Voraussage von Anomalien.
In Kombination mit Algorithmen aus dem Bereich der künstlichen Intelligenz und des maschinellen Lernens (engl. Machine Learning) werden so die Sicherung der Versorgung und die bessere Planbarkeit der Wartung verwirklicht.
Plattformen wie LPDG Analytics sind durch die innovative Nutzung und Verknüpfung verschiedener Daten in unterschiedlichen Anwendungsfällen sowie die Optimierung der effizienten Steuerung und Wartung von Blockheizkraftwerken als dezentrale Energieerzeuger ein wichtiger Baustein bei der Umsetzung der Energiewende in Quartieren.