Hier stellen die PhDs ihre Forschungsprojekte vor – von Regelungs- und Automatisierungstechnik in einem neu entstehenden smarten Energielabor über Digitalisierung in der Holz- oder Stahlindustrie bis hin zur Optimierung und Fehlererkennung im Bereich der elektrischen Energieerzeugung und –verteilung – unsere Themen sind sehr unterschiedlich und zugleich extrem nah verwandt. Alle Projekte können unter dem Dachthema Smart Industrial Concept zusammengefasst werden und beschäftigen sich mit kleinen aber wichtigen Schritten Richtung nachhaltiger Zukunft im Bereich der industriellen Energiesysteme.

Übersicht

Ausgangssituation und Motivation

Aufgrund des Klimawandels wird eine Umstellung der Energieerzeugung auf erneuerbare Formen benötigt. Diese setzt einen massiven Ausbau von Wind und Photovoltaik zu den bereits bestehenden Kapazitäten von Wasserkraft und Biomasse voraus. Da es sich hierbei um sehr volatile Erzeugungsformen handelt, braucht es eine sichere und flexible Regelung zwischen den unterschiedlichen Bereichen der Energiegewinnung und dem Verbrauch. Auch die Speicherregelung für überschüssigen, erneuerbaren Strom muss ausgebaut werden, und kann zusätzlich zu den bestehenden Systemen wie Pumpspeicherkraftwerken mit Batterien und Wasserstoffsynthese betrieben werden.

Forschungsvorhaben und Ziele

Schmatische Darstellung eine Simulationsumgebung

© erstellt von Microsoft Copilot

Im Zuge der Dissertation soll eine Simulationsumgebung für ein verteiltes Energiesystem aufbauend auf erneuerbaren und wasserstoffbasierten Technologien für Energiebereitstellung, -wandlung, -speicherung und -verteilung erzeugt werden. Mit dieser sollen mögliche Regelszenarien erprobt werden. Das Hauptziel besteht darin, die Sektorkopplung und die Implementierung von Digitalen Zwillingen in industriellen Energiesystemen voranzutreiben. Hierfür werden neue Konzepte in diesen Bereichen auf einer Laborinfrastruktur untersucht.
Um die Effizienz und Nachhaltigkeit des verteilten Energiesystems zu optimieren, sollen fortschrittliche Machine Learning (ML) Ansätze, wie Reinforcement Learning (RL), verwendet werden, um ein optimales Regelverhalten des hochdimensionalen und stochastischen Systems zu erlernen. Diese Ergebnisse sollen mit klassischen Optimierungsmethoden wie Mixed-Integer Linear Programming (MILP) und Model Predictive Control (MPC) verglichen werden und Anwendungen für industrielle Energiesysteme abgeleitet werden.
Im Rahmen des Doktorats soll außerdem der Einfluss von Echtzeitkommunikation für energietechnische Anwendungen untersucht werden. Es sollen dabei Regelungsansätze entwickelt werden, die bei Signalverzögerung und Ausfall einen sicheren Betrieb gewährleisten.

Literatur in diesem Zusammenhang

  1. G. Ceusters u. a., „Model-predictive control and reinforcement learning in multi-energy system case studies“, Applied Energy, Bd. 303, S. 117634, Dez. 2021, doi: 10.1016/j.apenergy.2021.117634.
  2. C. O’Malley, P. De Mars, L. Badesa, und G. Strbac, „Reinforcement learning and mixed-integer programming for power plant scheduling in low carbon systems: Comparison and hybridisation“, Applied Energy, Bd. 349, S. 121659, Nov. 2023, doi: 10.1016/j.apenergy.2023.121659.
  3. Alexander Holtwerth, A. Xhonneux, und Dirk Müller, „Closed Loop Model Predictive Control of a Hybrid Battery-Hydrogen Energy Storage System using Mixed-Integer Linear Programming“, Energy Conversion and Management: X, 2024, doi: 10.1016/j.ecmx.2024.100561.
  4. IEA (2024), Renewables 2023, IEA, Paris , Licence: CC BY 4.0

Die Softwareentwicklung und Deployment des intelligent verteilten Energiesystems soll das Testen neuer Konzepte im Bereich Sektorenkopplung und Digitaler Zwillinge ermöglichen. [1]–[3]

PhD #2 beschäftigt sich maßgeblich im Rahmen des intelligent verteilten Energiesystems mit der Methodenentwicklung im Bereich Digital Twin. Hierbei liegt der Schwerpunkt im Bereich Knowledge Engineering. [4], [5]

Ziel ist eine intelligent Softwarearchitektur als Grundlage zur Entscheidungsunterstützung in erneuerbaren Energiesystemen für industrielle Prozesse zu realisieren.

PhD #2 kooperiert eng mit dem Forschungsbereich Automation Systems des Instituts für Computer Engineering, öffnet eine externe URL in einem neuen Fenster der TU Wien.

Literatur in diesem Zusammenhang

  1. V. Arabzadeh, J. Mikkola, J. Jasiūnas, und P. D. Lund, „Deep decarbonization of urban energy systems through renewable energy and sector-coupling flexibility strategies“, Journal of Environmental Management, Bd. 260, S. 110090, Jan. 2020.
  2. J. Gea-Bermúdez u. a., „The role of sector coupling in the green transition: A least-cost energy system development in Northern-central Europe towards 2050“, Applied Energy, Bd. 289, S. 116685, Jan. 2021.
  3. L. Kasper, F. Birkelbach, P. Schwarzmayr, G. Steindl, D. Ramsauer, und R. Hofmann, „Toward a Practical Digital Twin Platform Tailored to the Requirements of Industrial Energy Systems“, Applied Sciences, Bd. 12, S. 6981, Juli 2022.
  4.  G. Steindl, M. Stagl, L. Kasper, W. Kastner, und R. Hofmann, „Generic Digital Twin Architecture for Industrial Energy Systems“, Applied Sciences, Bd. 10, Nr. 24, Art. Nr. 24, Jan. 2020.
  5. W. Jia, W. Wang, und Z. Zhang, „From simple digital twin to complex digital twin Part I: A novel modeling method for multi-scale and multi-scenario digital twin“, Advanced Engineering Informatics, Bd. 53, S. 101706, Aug. 2022.

Roboterhand, zwischen Zeigefinger und Daumen ein Stück einer Spanplatte

© Freepik by rawpixel; BY-SA 4.0

Beschreibung der Ausgangssituation

Viele Industrieprozesse wären ohne digitale Hilfsmittel heute kaum denkbar. Digitalisierung bedeutet auch Optimierung und Effizienzsteigerung und damit Reduktion von Energie- und Rohstoffverbrauch. Somit ist Digitalisierung auch im Sinne der Nachhaltigkeit.

Die Kombination etablierter Produktionsprozesse mit modernen, hochvernetzten Technologien soll die vierte industrielle Revolution bringen und dezentralisierte, flexible, individualisierbare und effiziente Herstellung in allen Sektoren ermöglichen [1]. Eines der Konzepte, das Konnektivität und (künstliche) Intelligenz vereint, ist der digitale Zwilling – das virtuelle, computergesteuerte Pendant eines realen, physischen Systems [2]. 

Holzwerkstoffe wie Span- oder Faserplatten werden schon seit langem aufgrund ihrer individuell anpassbaren Materialeigenschaften verwendet und verfügen außerdem über ökonomische und ökologische Vorteile gegenüber anderen Baumaterialien [4,5]. Die Beschichtung von Holzwerkstoffplatten mit Melamin-Formaldehyd-Harz-imprägnierten Dekorpapieren bringt neben einer Vielzahl unterschiedlicher Ästhetiken auch Schutz vor mechanischen und chemischen Schäden sowie gute Hygieneeigenschaften [6].

Zur Beschichtung werden üblicherweise Rückkühlpressen mit langen Presszeiten verwendet, es gibt allerdings auch schneller arbeitende Kurztaktpressen (KTP). Das Prozesswissen über KTPs ist hauptsächlich empirisch; physikalisch-chemische Vorgänge im Pressverfahren sind nur phänomenologisch bekannt. Das bedeutet, dass die Ursachenfindung bei Qualitätsabweichungen schwierig, langwierig und nicht nachhaltig ist. Ein digitales, physikalisches Modell im Sinne eines digitalen Modells nach [2] mit der Möglichkeit der Erweiterung auf einen digitalen Schatten oder digitalen Zwilling soll hier Prozesswissen erweitern und für den Projektpartner nachhaltig speichern.

Die Qualität der kurztaktbeschichteten Oberflächen hängt vor allem von den Pressbedingungen (Temperatur, Druck, Feuchtigkeit) und dem Aushärteverhalten der Harze ab [6]. Diese Parameter sollen systematisch modelliert und experimentell untersucht werden, um Korrelationen mit Qualitätsabweichungen zu finden.

Mit Hilfe des digitalen Modells soll der Weg in Richtung eines digitalen Zwillings für die Kurztaktpresse geebnet werden. Die Verwendung von digitalen Zwillingen in der Fertigung ist gut geeignet, um ganze Prozesse zu optimieren und die Produktivität zu steigern [2,7]. Datenanalysen in der Produktion können Fehlerursachen finden, Versorgungsketten optimieren und Fertigungseffizienz steigern [8].

Forschungsvorhaben und Ziele

Ziel der Dissertation ist, mithilfe eines mathematisch-physikalischen, digitalen Modells die bisher rein empirisch bekannten Vorgänge in der Kurztaktpresse zur Beschichtung von Holzwerkstoffplatten besser erfassen zu können, um so den Optimalbetrieb der Anlage gewährleisten und Ursachen von Mängeln und Fehlern schnell erfassen zu können.

Zuerst ist es notwendig, den Kurztaktpressvorgang und seine Einbettung in die Produktionslinie zu verstehen. Dazu wird Hintergrundwissen zu den verwendeten Materialien, Parametern, Abläufen und Fertigungsschritten gesammelt und aufbereitet. Dies umfasst eine ausführliche Recherche ebenso wie die Analyse der beim Projektpartner vorhandenen Prozessdaten und Aufzeichnungen.

Die Modellierung vor allem des zentralen Pressvorgangs geschieht zunächst manuell. Das Modell soll als einfache, eindimensionale Darstellung des Temperaturverlaufs beginnen, und in weiteren Schritten nach Bedarf an Komplexität erweitert werden.

Um möglichst realitätsnahe Vorhersagen treffen zu können, sollen alle für das Modell notwendigen Parameter genau analysiert werden. Sobald ein Modell ausreichend ausgereift ist, soll es mithilfe von echten Prozessdaten validiert werden.
An Stellen, wo im Pressvorgang keine Daten erfasst werden, soll geprüft werden, ob einmalige experimentelle Messungen oder dauerhaft installierte Messgeräte die Voraussagen des Modells wesentlich verbessern können.

Technische Unzulänglichkeiten der Anlage sowie der zugehörigen Messgeräte könnten im Laufe der Dissertation auftreten und die Modellierung und Optimierung erschweren. Um die Digitalisierung der Kurztaktpressanlage nachhaltig zu gestalten, sollen Messgeräte, digitales Modell und Prozessparameter in Einklang gebracht werden.

Literatur in diesem Zusammenhang

  1. Lasi H, Fettke P, Kemper H-G, Feld T, Hoffmann M. Industry 4.0. Bus Inf Syst Eng 2014;6(4):239–42.
  2. Kritzinger W, Karner M, Traar G, Henjes J, Sihn W. Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine 2018;51(11):1016–22.
  3. WKO. Branchenbericht Holzindustrie Österreich 2019/2020.
  4. Winchester N, Reilly JM. The economic and emissions benefits of engineered wood products in a low-carbon future; 2020.
  5. Badila M, Jocham C, Zhang W, Schmidt T, Wuzella G, Müller U et al. Powder coating of veneered particle board surfaces by hot pressing. Progress in Organic Coatings 2014;77(10):1547–53.
  6. Kandelbauer A, Wuzella G, Mahendran A, Taudes I, Widsten P. Using isoconversional kinetic analysis of liquid melamine-formaldehyde resin curing to predict laminate surface properties. J. Appl. Polym. Sci. 2009;113(4):2649–60.
  7. Bazaz SM, Lohtander M, Varis J. 5-Dimensional Definition for a Manufacturing Digital Twin. Procedia Manufacturing 2019;38:1705–12.
  8. Tao F, Zhang H, Liu A, Nee AYC. Digital Twin in Industry: State-of-the-Art. IEEE Trans. Ind. Inf. 2019;15(4):2405–15.

Beschreibung der Ausgangssituation

Da die Umbrüche im Energiesystem, ausgelöst durch erneuerbare, dezentrale Energieerzeugung, zahlreiche Herausforderungen mit sich bringen, sind neue Methoden und Entwicklungen zur Bewältigung dieser erforderlich. Der Netzbetrieb wird dadurch schwieriger zu planen und auch zu überwachen, was in vielen Fällen zu Verletzungen der zulässigen Spannungen führt. Daher müssen die Verteilernetzbetreiber den ordnungsgemäßen Betrieb von netzgekoppelten Geräten wie Wechselrichtern auf der Niederspannungsebene überwachen, um den ordnungsgemäßen Betrieb des Netzes zu gewährleisten und Grenzwerte einzuhalten. Netzwerkdaten werden in vielen Fällen nicht regelmäßig aktualisiert oder sind häufig fehlerhaft. Ein Ansatz unter Verwendung von Betriebsdaten ist daher von Vorteil. Auch wenn theoretisch Smart Meter Daten verfügbar sind, ist eine zentrale Überwachung auf Verteilnetztransformatorebene zu bevorzugen bei der ein Minimum an Daten verwendet wird. Dies ist auch aus rechtlichen und betrieblichen Gründen wichtig. Einerseits benötigen Netzbetreiber die Erlaubnis des Kunden, alle 15 min erfasste Smart-Meter-Daten zu verwenden, was nicht als gegeben angesehen werden kann. Andererseits sollte kostenintensiver Bandbreitenausbau von Kommunikationsinfrastrukturen vermieden werden, die eine zentrale Verarbeitung großer Mengen lokaler Daten erfordern würden. Beides schränkt die Verwendbarkeit lokaler Smart-Meter-Daten für die Zwecke der notwendigen Überwachung ein und macht eine zentrale Lösung erforderlich.

Forschungsvorhaben und Ziele

Ziele sind es Überwachungsmethoden zu entwickeln, die Fehler wie Kurzschlüsse, Transformatorstörungen, Spannungseinbrüche und Überspannungen oder falsch parametrierte Photovoltaik-Wechselrichter erkennen und unterscheiden. Die Innovation, ein zentraler datengesteuerter Ansatz ist empfehlenswert, da er das erforderliche Wissen über die Eigenschaften von Netzwerkkomponenten auf ein Minimum beschränkt. Der aktuelle Stand der Technik wird durch die Entwicklung eines vollständigen Frameworks zur Überwachung von netzgekoppelten Geräten, welcher Data Mining, Verarbeitung und Validierung der Ergebnisse einschließt, übertroffen.

Schematische Darstellung der Funktionsweise der Fehlererkennung

Welche Messungen, wie Spannungswerte, Stromstärken oder Wirk- und Blindleistungsflüsse, für diese Aufgabe am besten geeignet sind und wie hoch die Auflösung dieser Messungen sein muss sind wichtige Erkenntnisse des Vorhabens. Die entwickelte Methode kann als zentrale Ergebnisse fehlerhafte Geräte erkennen und in bestimmte Kategorien einteilen sowie Lastprofile für Data Mining Zwecke verarbeiten.

Literatur in diesem Zusammenhang

  1. E. Brown, J. M. P. Cloke, and J. P. Harrison, “Governance, decentralization and energy: a critical review of the key issues,” 2015.
  2. J. von Appen, M. Braun, T. Stetz, K. Diwold, and D. Geibel, “Time in the sun: The challenge of high pv penetration in the german electric grid,” IEEE Power and Energy Magazine, vol. 11, no. 2, pp. 55–64, March 2013.
  3. N. Mahmud and A. Zahedi, “Review of control strategies for voltage regulation of the smart distribution network with high penetration of renewable distributed generation,” Renewable and Sustainable Energy Reviews, vol. 64, pp. 582 – 595, 2016.
  4. P. Vergara Barrios, T. Mai, A. Burstein, and P. Nguyen, “Feasibility and performance assessment of commercial pv inverters operating with droop control for providing voltage supports services,” in 2019 IEEE Power Energy Society Innovative Smart Grid Technologies Conference (ISGT) Europe.
  5. E-Control, “Technische und organisatorische Regeln für Betreiber und Benutzer von Netzen,” E-Control, Tech. Rep., 2019. [Online].

Beschreibung der Ausgangssituation

Die Industrie ist mit einem Anteil von rund 30 % am österreichischen Endenergieverbrauch ein großer Energieverbraucher. Der Weg zu einer tiefgreifenden Dekarbonisierung des Industriesektors ist noch immer ein Problem mit vielen ungelösten Fragen. Der Einsatz von grünem Wasserstoff und verwandten Derivaten als Energieträger (z.B. Gas, Kraftstoff) in industriellen Prozessen stellt eine der vielversprechendsten Lösungen dar. Die PV-basierte Dekarbonisierung im Industriesektor umfasst verschiedene Komplexitätsebenen. Dabei sind die Entwicklung von optimierten und gekoppelten technischen PV-H2-Lösungen, die Untersuchung von Bedingungen und Parametern, die den zuverlässigen Betrieb beeinflussen (bezogen auf die Stromproduktion und den Ausfall) und Vorhersagemodelle der Energieproduktion von grundlegender Bedeutung für die Investitionssicherheit und die geplante Dekarbonisierung.

Forschungsvorhaben und Ziele

Die Hauptaktivitäten der Arbeit werden sich auf die Leistungsmodellierung von gekoppelten H2- und PV-Systemen und deren Optimierung in Abhängigkeit von den Energieverbrauchszielen des industriellen Endverbrauchers konzentrieren. Die folgenden Hauptpunkte werden in der Dissertation behandelt:

  • Kombinierte Leistungsmodelle für die gekoppelte H2-Produktion durch Elektrolyse und photovoltaische Stromerzeugung für den Einsatz in industriellen Energiesystemen
  • Entwicklung eines kombinierten Modells, das gekoppelte PV-H2-Systeme in ihrem Produktionsprofil, ihrer Leistung und ihrem Teillastverhalten beschreibt
  • Identifizierung und Modellierung von Auslegungsoptionen für PV- und H2-Anlagen für einen optimierten Verbrauch in verschiedenen Industriesektoren mit unterschiedlichen Lastprofilen (z.B. Papier, Bäckerei, Fleisch, Metall, Transport...)

Die Einführung einer Metrik zur Analyse der Betriebsrisiken von PV- und H2-Anlagen wird es ermöglichen, die Auswirkungen gekoppelter H2-PV-Systeme auf die Zuverlässigkeit der Strom- und Energieproduktion zu bewerten (z. B. durch eine Ereignisbaumanalyse).

Methodik: Entwicklung von Systemmodellen, mathematische Optimierung und Validierung mit Realdaten

Methodischer Ansatz

Basis der Optimierungsstrategie sind Performancemodelle der PV-Kraftwerke, die basierend auf existierenden Modellen weiterentwickelt werden, sowie H2-Elektrolyse-Modellierung. Zentraler Forschungsgegenstand sind kombinierte Leistungsmodelle für die gemeinsame Systemauslegung sowie eine Metrik zur Identifizierung und Messung von Betriebsrisiken (z.B. Komponentenausfall) zu implementieren. Für die Bewertung von Systemrisiken wird ein doppelter Ansatz verfolgt, indem statistische Datenauswertungen von bestehenden Anlagen unterschiedlichen Alters sowie die Entwicklung geeigneter Risikobewertungsmodelle wie Ereignisbaumanalyse und Fehlerbäume für gekoppelte H2-PV-Systeme kombiniert werden. Abschließend wird die Korrelation zwischen optimiertem und zuverlässigem Betrieb (d.h. risikominimiert) und Performance für industrielle H2-PV-Systeme analysiert.

Der Innovationsansatz der Dissertation wird dazu beitragen PV- und H2-Integrationsoptionen und Technologielösungen für die flexible (dekarbonisierte) Gestaltung industrieller Energiesysteme zu untersuchen. Der Bedarf an Dekarbonisierung wird durch Strategien für optimierte Lösungen durch H2-PV-Systemauslegung und -konfigurationen für verschiedene industrielle Verbrauchslastprofile oder Teilprozesse gedeckt werden. Darüber hinaus werden die gekoppelten Modellierungsansätze für die systemische Energieumwandlung die Optimierung der Nutzung von PV-Strom und anderen Energieträgern (z.B. H2 oder andere P2X-Lösungen) in einer Power-2-H2-2-Power-Umgebung ermöglichen. Schließlich wird das Verständnis des Degradations- und Ausfallrisikos in gekoppelten H2-PV-Systemen die Zuverlässigkeit erhöhen und eine Grundlage für den Betrieb und die Wartung von gekoppelten H2-PV-Systemen bilden.

Referenzen

  1. Belluardo G., Ingenhoven P., Sparber W., Wagner J., Weihs P., Moser D., Novel method for the improvement in the evaluation of outdoor performance loss rate in different PV technologies and comparison with two other methods, Solar Energy 117, p139-152 (2015)

  2. Chaves A., Bahill A.T., Risk Analysis for Incorporating Photovoltaic Solar Panels into a Commercial Electric Power Grid, Systems and Industrial Engineering, University of Arizona (2010)

  3. Clarke R.E., Giddey S., Ciacchi F.T., Badwal S.P.S., Paul B., Andrews J., Direct coupling of an elextrolyser to a solar PV system for generating hydrogen, Hydrogen Energy 34, p2531-2542 (2009)

  4. Halwachs M., Neumaier L., Vollert N., Maul L., Dimitriadis S., Voronko Y., Eder G.C., Omazic A., Mühleisen W., Hirschl C., Schwark M., Berger K.A., Ebner R., Statistical evaluation of PV system performance and failure data among different climate zones, Renewable Energy 139, p1040-1060 (2019)

 

Feuer und Rauch aus einem elektrischen Lichtbogenofen zum Schmelzen von Metall

Beschreibung der Ausgangssituation

Die weltweit produzierte Menge an Stahl übertrifft die jedes anderen Metalls [1]. Die Eisen- und Stahlindustrie ist mit 569 TWh in Europa (Stand: 2018) eine der größten Energiekonsumenten und für schätzungsweise 7 % der anthropogen verursachten CO2-Emissionen verantwortlich. Neben der traditionellen Herstellungsroute über Hochofen und Konverter wird die zweithäufigste Route über recycelten Stahlschrott und Elektrolichtbogenöfen immer bedeutender (im Jahr 2019
ca. 41,4 % des gesamten hergestellten Stahls in Europa) [2] [3]. Die Herstellung von Stahl in Elektrolichtbogenöfen bringt mehrere Vorteile mit sich: Einerseits wird als Rohstoff Stahlschrott eingesetzt, wodurch eine ressourcenschonendere Stahlproduktion ermöglicht wird. Andererseits besteht das Potenzial, einen Teil der benötigten elektrischen Energie (hauptsächlich für den Elektrolichtbogenofen als energieintensivstes Aggregat) aus erneuerbaren Energieträgern zu integrieren [4].

Um Maßnahmen zur Steigerung der Energieeffizienz, Flexibilisierung, Integration von erneuerbaren Energieträgern und Reduzierung der Treibhausgasemissionen zu realisieren, ist die Betrachtung, Modellierung und Optimierung des Stahlwerks als Gesamtsystem notwendig. Eine Möglichkeit zur Realisierung dieser Maßnahmen ist der Einsatz von Demand Side Management (DSM). In der Industrie umfasst DSM alle verbraucherseitigen Maßnahmen, die die Art und Höhe des Energiebedarfs beeinflussen. Das Konzept von DSM ist nicht neu und gewisse Schlüsseltechnologien wurden bereits entwickelt. Warum DSM gerade jetzt in den Fokus des wissenschaftlichen Interesses gelangt, hängt unter anderem mit dem forcierten Ausbau und der vermehrten Einbindung von volatilen, erneuerbaren Energien zusammen. Aber auch die fortschreitende Digitalisierung der Industrie und die sich immer schneller ändernden Marktbedingungen ermöglichen und fordern gleichzeitig Lösungswege.

Die Realisierungen von DSM sind vielfältig und umfassen die Verbesserung der Energieeffizienz als permanente Anwendung bis hin zu zeitabhängigen (z.B. time of use, market demand response, spinning reserve) mit unterschiedlichem Operationshorizont [5] [6].

Forschungsvorhaben und Ziele

Ziel der Dissertation ist es, den Energieverbrauch eines Elektrostahlwerks mithilfe von Betriebsoptimierung durch Demand Side Management zu flexibilisieren – und zwar online. Folgende Arbeitsschritte sind für die Umsetzung notwendig:

  1. Prozessanalyse, Datenextraktion, -aufbereitung und –analyse
    Als Grundlage für die nachfolgende Prozessmodellierung ist ein tiefgreifendes Verständnis der Abläufe im Stahlwerk notwendig. Das umfasst Domainwissen über die Prozessparameter, die einzelnen Aggregate und die logistischen Zusammenhänge zwischen ihnen. Zusätzlich werden Prozessdaten aufbereitet, analysiert und als Grundlage für (datengetriebene) Modellierung herangezogen.
  2. Prozessmodellierung
    Die Prozessmodellierung der wichtigsten Aggregate des Stahlwerks liefert einen Forecast des Energiebedarfs für einen bestimmten Zeithorizont und bildet die Basis der nachfolgenden Betriebsoptimierung. Die Modellierungsmethoden umfassen dabei stochastische und datengetriebene Ansätze.
  3. Betriebsoptimierung
    Im Bereich der Optimierung liegt der Fokus auf der Entwicklung einer DSM-Anwendung, die kurzfristige Änderungen der Marktbedingungen (market demand response) und des laufenden Prozessgeschehens in Echtzeit berücksichtigt.
  4. Implementierung
    Nach der Entwicklung der DSM-Tools werden diese an einem Versuchsstandort in der Eisen- und Stahlindustrie getestet und deren Effektivität im realen Betrieb evaluiert. Dazu kommt eine Abschätzung, für welche weiteren Industriezweige diese DSM-Anwendungen anwendbar sind.

Literatur in diesem Zusammenhang

  1. AZADEH, A. ; NESHAT, N. ; MARDAN, E. ; SABERI, M.: Optimization of steel demand forecasting with complex and uncertain economic inputs by an integrated neural network–fuzzy mathematical programming approach. In: The International Journal of Advanced Manufacturing Technology 65 (2013), 5-8, S. 833–841
  2. DOCK, Johannes ; JANZ, Daniel ; WEISS, Jakob ; MARSCHNIG, Aaron ; KIENBERGER, Thomas: Time- and component-resolved energy system model of an electric steel mill. In: Cleaner Engineering and Technology 4 (2021), October, S. 100223.
  3. CARLSSON, Leo S. ; SAMUELSSON, Peter B. ; JÖNSSON, Pär G.: Predicting the Electrical Energy Consumption of Electric Arc Furnaces Using Statistical Modeling. In: metals (2019), Nr. 9
  4. M. KOVAČIČ ; KLEMEN STOPAR ; R. VERTNIK ; B. ŠARLER: Comprehensive Electric Arc Furnace Electric Energy Consumption Modeling: A Pilot Study. In: energies (2019).
  5. STRBAC, Goran: Demand side management: Benefits and challenges. In: Energy Policy 36 (2008), Nr. 12, S. 4419–4426.
  6. PALENSKY, Peter ; DIETRICH, Dietmar: Demand Side Management: Demand Response, Intelligent Energy Systems, and Smart Loads. In: IEEE Transactions on Industrial Informatics 7 (2011), Nr. 3, S. 381–388

Beispielsdarstellung eines Knotenmodells auf zellulärer Basis

Ausgangssituation und Motivation

In Anbetracht der angestrebten Energiewende und des damit verbundenen Anstiegs der Energieproduktion aus erneuerbaren Quellen sowie der Integration neuartiger Verbraucher (z.B. E-Mobilität) kommen auf die Energieinfrastruktur der Zukunft enorme Herausforderungen zu. Eine Möglichkeit zur Bewältigung dieser Herausforderungen stellt die Kopplung verschiedener Energieträger (Sektorkopplung) dar. So können die Flexibilitätsoptionen und Speicherkapazitäten der unterschiedlichen Energienetze optimal genutzt werden. Beispielsweise könnte elektrische Überschussenergie aus Photovoltaik oder Windkraft für die Produktion von Wasserstoff mittels Elektrolyse herangezogen werden, um so das Stromnetz zu entlasten.

Es existieren bereits Software-Tools für die Untersuchung einzelner Energieträger und ihrer Transportnetze. Um aber die Auswirkung von Sektorkopplungs-Technologien abbilden zu können, muss das gesamte Energiesystem mit allen beteiligten Energieträgern (Multienergiesystem) modelliert werden. Das Lastflussrechen- und Optimierungsprogramm „HyFlow“, welches im Rahmen dieser Dissertation entwickelt wird, soll die Untersuchung eben solcher Multienergiesysteme ermöglichen.

Forschungsvorhaben und Ziele

Durch die flexible Aufteilung der Modelle in verschiedene Zellen wird eine sehr breite Anwendbarkeit von HyFlow sichergestellt. Je nach Wahl der räumlichen Auflösung kann das Tool etwa für die Modellierung einer einzelnen Gemeinde oder eines internationalen Verbundnetzes eingesetzt werden.

Einerseits soll HyFlow dazu dienen Lastflüsse in elektrischen Netzen, Gasnetzen, Fernwärmenetzen und Wasserstoffnetzen zu simulieren. So können beispielsweise anhand von Zukunftsszenarien potentielle Kapazitätsengpässe in Übertragungs- und Verteilernetzen erkannt werden. Eine andere mögliche Anwendung ist jene als Planungs- und Auslegungstool, wobei etwa optimale Einsatzpläne für einen vorgegebenen Kraftwerkspark oder optimale Parameter für geplante Leitungen zu ermitteln sind. Somit wäre es dank diesen Tools möglich wichtige Aussagen über die Versorgungssicherheit in einem Multienergiesystem zu treffen und zielführende Strategien für den weiteren Ausbau oder Betrieb eines solchen Systems vorzugeben.

Weiterführende Literatur

  1. Matthias Greiml; Florian Fritz; Josef Steinegger; Theresa Schlömicher; Nicholas Wolf Williams; Negar Zaghi and Thomas Kienberger: Modelling and Simulation/Optimization of Austria’s National Multi-Energy System with a High Degree of Spatial and Temporal Resolution. In: Energies 15 (2022), 3581
  2. Christian Klemm and Peter Vennemann: Modeling and optimization of multi-energy systems in mixed-use districts: A review of existing methods and approaches. In: Renewable and Sustainable Energy Reviews 135 (2021), 110206
  3. Matthias Greiml; Anna Traupmann; Christoph Sejkora; Lukas Kriechbaum; Benjamin Böckl; Patrick Pichler; Thomas Kienberger: Modelling and model assessment of grid based Multi-Energy Systems. In: International Journal of Sustainable Energy Planning and Management Vol. 29 (2020), 07–24
  4. Benjamin Böckl; Matthias Greiml; Lukas Leitner; Patrick Pichler; Lukas Kriechbaum and Thomas Kienberger: HyFlow - A Hybrid Load Flow-Modelling Framework to Evaluate the Effects of Energy Storage and Sector Coupling on the Electrical Load Flows. In: Energies 12 (2019), 956
  5. Pierluigi Mancarella: MES (multi-energy systems): An overview of concepts and evaluation models. In: Energy 65 (2014), 1-17