Auslegungsoptimierung

Grafik4 zur Thematik Rohrnetzoptimierung: Optimierung von Energieerzeugern und Speichern

Bild 4. Ablaufschema einer auf Einsatzoptimierung basierenden Auslegungsoptimierung von Energieerzeugern und Speichern (Bildquelle: TU Dresden)

Die auf der Einsatzoptimierung beruhende Berechnung der optimalen Auslegung von Energiesystemen wird innerhalb einer Variantenrechnung für eine Auswahl vordefinierter Erzeuger-Setups durchgeführt (Bild 4). Aus den resultierenden Ergebnissen kann schließlich die optimale Auslegung bestimmt werden. Diese Herangehensweise ist für beliebige Bereiche durchführbar, z. B. für Quartiere und Siedlungen oder auch für Ein- und Mehrfamilienhäuser. Als Optimierungsziel kann bei der Auslegungsberechnung beispielsweise die Minimierung der Summe aus Investitions- und Betriebskosten über einen definierten Zeitraum genutzt werden. Aber auch die Betrachtung alternativer Optimierungsziele bzw. eine multikriterielle Betrachtung verschiedener Aspekte ist möglich [4].

Netzoptimierung Im Gegensatz hierzu erfordert die Optimierung von Rohrnetzen i. d. R. eine nichtlineare Problemdarstellung. Diese ist gegebenenfalls mit weiteren graphentheoretischen Fragestellungen wie einer Suche nach dem »kürzesten Weg« oder der Suche nach einem »optimalen Spannbaum« verknüpft. Zur Lösung kommen in diesem Fall verschiedene Arten sowohl klassischer als auch evolutionärer Optimierungsalgorithmen zum Einsatz [5].

Durch die relativ hohen Netzkosten von Fernwärmesystemen ist es (neben dem Einsatz von effektiven Legeverfahren) erforderlich, die Netze hinsichtlich ihrer Auslegungsparameter, vor allem der Rohrdurchmesser und der Trassenführung, zu optimieren. Die aus dieser Anforderung resultierenden Modelle zeichnen sich i. Allg. durch eine hohe Komplexität aus und vereinen typischerweise Nichtlinearität sowie Ganzzahligkeitsbedingungen.

Zur Lösung dieser Optimierungsaufgaben wurde die Software »STEFaN«2 zur Trassen- und Durchmesseroptimierung entwickelt. Dieses Programm dient als Planungsinstrument und soll durch das Aufzeigen kostenoptimaler Lösungen eine Entscheidung zugunsten der Fernwärmeversorgung unterstützen. Darüber hinaus kann es aber auch zur Nachrechnung bestehender Systeme im operativen Betrieb eingesetzt werden. Bei sinkendem Wärmebedarf steht weiterhin mitunter die Außerbetriebnahme von Trassen im Fokus. Abgesehen von der Planung und dem Betrieb von Nah- und Fernwärmenetzen findet die Rohrnetzoptimierung noch weitere Anwendungen. Als Beispiel hierfür sei die Bestimmung der optimalen Verrohrung großer Solarthermieanlagen genannt.

2 »STEFaN « ist ein Ergebnis des Teilthemas 4 des BMWi-Projekts (FKZ 0327400B) »LowEx- Fernwärme – Multilevel District Heating« und wurde eigeninitiativ auf einem aktuellen Stand gehalten.

Datenbasierte Modellierung

Grundlage der (Mess-)datenbasierten Prognose ist die Darstellung physikalisch komplexer, meist in ihrem Gesamtumfang formell nicht vollständig beschreibbarer Zusammenhänge durch vereinfachte Modellansätze. Dies geschieht häufig mit dem Ziel der Vorhersage einer bestimmten Größe, z. B. einer Leistung, einer Energie oder von Systemtemperaturen, abhängig von externen Einflüssen (Wetterdaten, spezifisches Nutzerverhalten usw.). Für die Modellerstellung kommen hierbei vorwiegend klassische Methoden wie

 

  • multiple lineare Regression und
  • Arima- bzw. Arimax-Modelle, aber auch alternative Ansätze mit – künstlichen neuronalen Netzen sowie – Gauß-Prozessen zum Einsatz.

Die Erzeugung von Wärmelastprofilen mit Gebäudesimulationsmodellen erfordert oft einen erheblichen Aufwand für die Modellerstellung, Parametrierung und Erfassung von Eingangsdaten. Beispielsweise bei der Betrachtung neu zu erschließender Quartiere sind meist nur wenig detaillierte Gebäudeinformationen verfügbar. Ziel ist es daher, auf einfache Weise robuste Wärmelastprofile für einzelne Gebäude, Gebäudeensembles oder beliebige städtische Teilbereiche zu erstellen. Für die Erzeugung von Lastgängen für variable Witterungsbedingungen wurde das Tool »Free- Plan«3 entwickelt. Grundlage des Tools ist ein kategorisiertes, multiples lineares Regressionsmodell. Basierend auf real gemessenen Werten wurden hierzu für verschiedene Gebäudetypen die Regressionskoeffizienten berechnet. Das entwickelte Tool bietet somit die Möglichkeit, die Wärmelast basierend auf nur wenigen Parametern und mit geringem Rechenaufwand zu modellieren.

3 »FreePlan« ist ein Ergebnis des BMWi-Projekts (FKZ 03ET1358B) »Delfin – Decentralized Feed-In« und wird kontinuierlich weiterentwickelt.

Unter Umständen kann zur Verbesserung der Modellgenauigkeit und Prognosegüte eine auf bestimmten Eigenschaften basierende Kategorisierung der vorhandenen Daten zielführend sein. Neben verschiedenen heuristischen Ansätzen kann dies z. B. automatisiert durch die Anwendung neuronaler Netze geschehen. Ein solcher Ansatz kann auch zur Anwendung kommen, wenn nur bestimmte Ereignisse aus einem großen Messdatenbestand herausgefiltert und gezielt modelliert werden sollen.

Eine Quantifizierung der möglichen erreichbaren Prognosegüte der erstellten Modelle erfolgt je nach Anforderung durch die Auswertung verschiedener Kenngrößen wie beispielsweise dem Bestimmtheitsmaß, der mittleren Quadratfehlersumme, dem mittleren Absolutfehler, der absoluten Abweichung von Extremwerten, der Anzahl von Vorzeichenwechseln des Residuums u. a.

Ausblick

Die Tools werden in Forschung und Lehre angewandt. Des Weiteren wurden die Tools in zahlreichen studentischen Arbeiten u. a. in Kooperation mit verschiedenen Stadtwerken zur vergleichenden Bewertung von Ausbauszenarien verwendet.
Eine Weiterentwicklung der drei vorgestellten Tools ist im Rahmen eines gerade in der Beantragung befindlichen Forschungsvorhabens geplant. Dabei sollen die Anlagenauswahl und die Dimensionierung je nach Nutzerwunsch mit unterschiedlichen Schwerpunkten durchgeführt werden, z. B. Wärmegestehungskosten, Investitionen, Betriebskosten, Primärenergiefaktor. Das Programmpaket soll dabei alle relevanten Energieerzeuger, Strom- und Wärmespeicher, Verbrauchertypen sowie zukünftige Änderungen der Abnehmerstruktur, z. B. durch Dämmmaßnahmen, demografischen Wandel, berücksichtigen.

Literatur

[1] Matthees, A.; Stange, P.; Sander, T.: Optimierungs und Prognosekompetenz: Tools zur Einsatzplanung für zentrale und dezentrale Energiekonzepte. Vortrag zum 23. Dresdner Fernwärmekolloquium, 18./19.09.2018, Dresden.

[2] Stange, P.; Hafner, B.; Arnold, C.: Betriebskostenoptimierte Einsatzplanung von Wärmeerzeugern. Vortrag, 4. VDI Fachtagung: Dezentrale und Hybride Energiesysteme für Gebäude und Quartiere, Würzburg, 27. Oktober 2016.

[3] Stange, P.; Matthees, A.; Sander, T.: Operational optimization of energy systems 25 years – established and promising use cases. Vortrag zum 16th International Symposium on District Heating and Cooling (DHC), 09. – 12. September 2018, Hamburg

[4] Stange, P.: Innovative Systeme für die Versorgung von Quartieren und Siedlungen. Vortrag, 5. VDI Fachtagung: Energiesysteme und Energieversorgung für Gebäude, Quartiere und Industrieanlagen, Köln, 25. Oktober 2017.

[5] Gnüchtel, S.; Groß, S.: Free optimization tools for district heating systems. The 12th International Symposium on District Heating and Cooling, September 5th to September 7th, 2010, Tallinn/ Estonia.

peter.stange@tu-dresden.de
www.tu-dresden.de/mw/iet/ew

Dipl.-Math. Anja Matthees, Dr. rer. nat. Peter Stange, Dr.-Ing. Thomas Sander
3 / 3

Ähnliche Beiträge