PITAGORAS – Opracowanie systemu zarządzania energią przez CIM-mes

Podsumowanie

PITAGORAS (Zrównoważone planowanie urbanistyczne z wykorzystaniem innowacyjnych i energooszczędnych rozwiązań w zakresie wytwarzania energii cieplnej i elektrycznej z odpadów i źródeł odnawialnych) był projektem badawczo-innowacyjnym współfinansowanym przez Komisję Europejską w ramach 7. Programu Ramowego (7PR). W ramach projektu zademonstrowano odzysk ciepła odpadowego na dużą skalę oraz integrację odnawialnych źródeł energii z miejskimi sieciami ciepłowniczymi, a wdrożenie odbyło się w dwóch lokalizacjach demonstracyjnych: Brescii (Włochy) i Kremsmünster (Austria). 

CIM-mes Projekt uczestniczył w Pakiecie Roboczym 2 (Ocena koncepcji systemu i projekt końcowy) jako lider Zadania 2.8, odpowiedzialny za opracowanie samouczącego się, opartego na sztucznej inteligencji systemu zarządzania energią (EMS) dla obu lokalizacji demonstracyjnych. System EMS został zbudowany w oparciu o modele sztucznych sieci neuronowych (ANN), które zostały wytrenowane na symulacjach instalacji w pełnej skali, a następnie stopniowo ponownie trenowane na rzeczywistych danych monitorowania. W lokalizacji Kremsmünster wyniki symulacji wykazały, że proste modyfikacje sterowania zmniejszyły całkowite koszty produkcji ciepła o około 6%, podczas gdy moduł optymalizacji obniżył koszty operacyjne nawet o 27%. Opracowana architektura EMS umożliwiła również integrację rozproszonych węzłów prosumentów z siecią ciepłowniczą, przy czym w przedstawionym scenariuszu symulacyjnym 37% ciepła pochodziło z ciepła odpadowego, a 29% ze źródeł odnawialnych.

Wprowadzenie

Kontekst i cele projektu 

Projekt PITAGORAS miał na celu sprostanie wyzwaniu, jakim jest włączenie przemysłowego ciepła odpadowego i energii odnawialnej do miejskich systemów energetycznych. Głównym celem było zademonstrowanie opłacalnego systemu wytwarzania energii na dużą skalę, który umożliwiłby zrównoważone planowanie dzielnic miejskich o niskim zużyciu energii dzięki inteligentnym sieciom cieplnym łączącym parki przemysłowe z obszarami mieszkalnymi. 

Konsorcjum wybrało dwa położone w różnych lokalizacjach tereny demonstracyjne w celu przetestowania i zweryfikowania koncepcji systemowych w rzeczywistych warunkach eksploatacyjnych: 

• Brescia, Włochy – odlewnia stali ORI Martin, gdzie ciepło odpadowe z procesu produkcyjnego miało być odzyskiwane za pomocą instalacji z organicznym cyklem Rankine’a (ORC) w celu wytwarzania zarówno ciepła, jak i energii elektrycznej.

• Kremsmünster, Austria – Teren RAG, gdzie planowano podłączenie wielkoskalowej elektrowni słonecznej z sezonowym magazynowaniem energii cieplnej (TES) do elektrociepłowni oraz przemysłowego źródła ciepła odpadowego za pośrednictwem sieci ciepłowniczej.

Struktura Pakietu Roboczego 

Projekt został podzielony na kilka pakietów roboczych obejmujących ocenę technologii, projektowanie systemu, budowę, monitorowanie oraz upowszechnianie wyników. Pakiet roboczy 2  (WP2) skupiał się na ocenie koncepcji systemu oraz ostatecznym projektowaniu podsystemów i całego zintegrowanego systemu dla obu lokalizacji demonstracyjnych. W studium wykonalności przeprowadzonym na początku WP2 przeanalizowano różne opcje konfiguracyjne i określono konkretne wymagania dla każdego podsystemu w oparciu o modelowanie całego systemu oraz wstępną analizę wydajności. Projekt koncepcyjny i szczegółowy podsystemów opracowano równolegle w ramach konsorcjum.

CIM-mes Projekt: wkład merytoryczny i techniczny

Task 2.8 – System Zarządzania Energią

CIM-mes Projekt kierował Zadaniem 2.8, którego celem było opracowanie samouczącego się, dynamicznego systemu zarządzania dzielnicą energetyczną opartego na algorytmach sztucznej inteligencji. System został zaprojektowany w celu analizowania i optymalizacji wszystkich przepływów energii pomiędzy obiektami wytwórczymi, sieciami elektrycznymi i cieplnymi oraz odbiorcami na poziomie budynków. 

System EMS wykorzystywał sztuczne sieci neuronowe do prognozowania warunków pogodowych oraz zapotrzebowania na energię i jej produkcji, co pozwalało mu z wyprzedzeniem wybierać najlepsze strategie jednoczesnego magazynowania i wykorzystania energii. Funkcję celu można było ustawić tak, aby maksymalizować efektywność energetyczną, zysk ekonomiczny lub spełniać inne kryteria określone przez operatora. System został zintegrowany z rynkiem cen energii elektrycznej, dzięki czemu mógł uwzględniać sygnały rynkowe przy wyborze optymalnej strategii działania pomp ciepła i innych obiektów podłączonych do sieci.

Metodologia rozwoju 

System EMS został opracowany zgodnie z uporządkowaną sekwencją etapów: 

• Określenie głównych zasad działania systemu 

• Wybór metod sztucznej inteligencji i architektury algorytmów 

• Opracowanie algorytmów 

• Szkolenie na danych wejściowych/wyjściowych z symulatora elektrowni 

• Testowanie w nieznanych i niepewnych warunkach eksploatacyjnych 

• Symulacja sytuacji awaryjnych 

• Określenie analogowych i cyfrowych punktów pomiarowych wymaganych przez urządzenia sterujące i regulacyjne 

• Wdrożenie algorytmów 

Modele sieci neuronowych (ANN) stanowiące podstawę systemu EMS zostały zbudowane przy użyciu podejścia wieloetapowego. W pierwszym etapie wybrano dane wejściowe i wyjściowe modelu, zdefiniowano zakres operacyjny oraz ustalono architekturę sieci ANN. W drugim etapie sieć ANN została przeszkolona na wynikach symulacji z modeli w pełnej skali opracowanych w programach TRNSYS, HYSYS oraz Matlab/Simulink. W trzecim etapie sieć ANN została ponownie przeszkolona przy użyciu rzeczywistych danych z systemu monitorowania zakładu.

Ośrodek demonstracyjny w Brescii 

W zakładzie w Brescii aplikacja EMS określiła optymalną strategię eksploatacji jednostki ORC, mającą na celu maksymalizację zysku ekonomicznego. Strategia została przekazana operatorowi zakładu jako wsparcie decyzyjne, przy czym to operator zachował ostateczną władzę w zakresie decyzji operacyjnych. 

System przetwarzał dane dotyczące przepływu energii z odlewni stali i instalacji ORC, co przedstawiono na schemacie przepływów energii opracowanym dla tego obiektu. Schemat blokowy systemu EMS określał dane wejściowe, warstwę przetwarzającą sieci neuronowej oraz sygnały sterujące kierowane do zakładu.

Ośrodek demonstracyjny w Kremsmünster 

Zakład w Kremsmünster składał się z gazowej elektrociepłowni (CHP) wyposażonej w trzy silniki gazowe, kotła gazowego oraz planowanej wielkoskalowej instalacji solarnej z sezonowym zbiornikiem magazynującym energię cieplną (TES). Planowano zainstalować pompę ciepła, która miałaby odprowadzać energię z TES do instalacji o niższej temperaturze, wykorzystując go jako dodatkowe źródło ciepła.

Wdrożono dwa niezależne systemy sterowania. Pierwszy z nich zarządzał pracą pomp w obwodach głównym i pomocniczym instalacji solarnej, uruchamiając pompę obwodu kolektorów, gdy natężenie promieniowania przekraczało próg zależny od temperatury otoczenia. Drugi system zarządzał pompami i zaworami łączącymi odbiorniki ciepła ze źródłami ciepła, gromadząc dane z instalacji (w tym temperaturę TES) oraz dane zewnętrzne (w tym ceny energii elektrycznej) w celu sterowania całym systemem.

Moduł optymalizacyjny zintegrowany z tym sterownikiem ustalał priorytety źródeł ciepła w następującej kolejności w każdym kroku czasowym: 

• Obliczenie maksymalnej możliwej mocy cieplnej dla systemu magazynowania energii cieplnej (TES) i pompy ciepła 

• Oszacowanie jednostkowych kosztów wytwarzania ciepła dla każdego dostępnego źródła 

• Przypisanie priorytetów wykorzystania na podstawie kosztów jednostkowych, przy czym źródło o najniższych kosztach otrzymywało najwyższy priorytet 

Wyniki symulacji EMS w Kremsmünster 

Wyniki symulacji dla obiektu demonstracyjnego w Kremsmünster wykazały, że: 

W przypadku optymalizacji krótkoterminowej proste modyfikacje istniejącego systemu sterowania pozwoliły obniżyć całkowite koszty produkcji ciepła o około 6%. Moduł optymalizacji obniżył koszty eksploatacyjne nawet o 27%. 

Algorytm optymalizacji średnioterminowej rozwiązał problem dyspozycji mocy poprzez uwzględnienie kosztów wyłączania i uruchamiania jednostek, takich jak kogeneratory i kotły, a także zależności od kosztów konserwacji. Podejście to umożliwiło podejmowanie trafniejszych decyzji dotyczących momentu uruchamiania lub wyłączania jednostek wytwarzających energię cieplną. 

Dla obiektu RAG w Kremsmünster zaproponowano nowatorską architekturę systemu zarządzania energią (EMS) w sieci ciepłowniczej. System umożliwił funkcjonalność prosumencką w każdym węźle sieci, co oznacza, że małe źródła ciepła odpadowego i rozproszone źródła odnawialne (takie jak kolektory słoneczne na dachach budynków mieszkalnych) mogły zostać włączone obok większych aktywów wytwórczych. W przedstawionym scenariuszu symulacyjnym 37% ciepła pochodziło ze źródeł ciepła odpadowego, a 29% ze źródeł energii odnawialnej (OZE). Wyniki potwierdziły również, że efektywne wykorzystanie ciepła pochodzącego z OZE wymaga odpowiedniej zdolności akumulacji ciepła.

Wyniki projektu i wkład CIM-mes

W ramach projektu PITAGORAS opracowano sprawdzone projekty systemów oraz narzędzia operacyjne EMS dla dwóch fizycznie odrębnych konfiguracji demonstracyjnych: systemu odzyskiwania ciepła odpadowego opartego na technologii ORC oraz sieci lokalnego ogrzewania miejskiego wykorzystującej energię słoneczną z magazynowaniem sezonowym. Oba obiekty działały w rzeczywistych warunkach przemysłowych i klimatycznych, dostarczając zbiory danych do szkolenia sieci neuronowych ANN oraz walidacji modeli. 

CIM-mes Projekt dostarczył samouczący się system EMS zdolny do prognozowania produkcji i zużycia energii, optymalizacji dyspozycji między wieloma źródłami ciepła oraz dostosowywania się do rzeczywistych danych operacyjnych poprzez stopniowe ponowne szkolenie sieci ANN. Architektura systemu opracowana dla Kremsmünster wykazała, że pojedyncza struktura EMS może uwzględniać heterogeniczne źródła ciepła, węzły prosumentów oraz kryteria optymalizacji powiązane z rynkiem w ramach ujednoliconej struktury sterowania. 

Ilościowe poprawy wydajności — redukcja kosztów operacyjnych nawet o 27% oraz znaczny wzrost wykorzystania ciepła odpadowego i odnawialnych źródeł energii — uzyskano dzięki symulacji z wykorzystaniem modeli zweryfikowanych w oparciu o dane z zakładu. Koncepcja EMS opracowana w ramach zadania 2.8 stanowiła podstawę techniczną dla dalszego komercyjnego rozwoju narzędzi do zarządzania energią opartych na sztucznej inteligencji do zastosowań w systemach ciepłowniczych.