EISKIG

Ausgangssituation

Kältetechnische Versorgungssysteme in Industriegebäuden werden bisher überwiegend konventionell ausgelegt und betrieben, ohne mehrdimensionale, zeitvariable und stochastische Abhängigkeiten zu berücksichtigen. In der Praxis finden fast ausschließlich konventionelle Regelsysteme wie Zweipunkt- oder PID-Regler Anwendung. Der Betrieb und die Effizienz werden jedoch durch viele Faktoren wie Wetter, interne Lasten oder Energiemärkte beeinflusst, die bei konventioneller Regelung oft nicht berücksichtigt werden. KI-Methoden hingegen können insbesondere dann erfolgreich angewendet werden, wenn eine optimale Betriebsweise in einem mehrdimensionalen Lösungsraum projektspezifisch immer wieder neu identifiziert werden muss und das zu optimierende System einer hohen Dynamik ausgesetzt ist. Dies ist für die Kältetechnik in Industriegebäuden zwangsläufig gegeben: Auf der Quellseite müssen dynamische innere Gebäudelasten, Anlagenabwärme sowie Transmissions- und Lüftungswärme abgeführt werden, während die Wärmesenke, insbesondere die Umgebungsluft, tages- und jahreszeitlichen Schwankungen unterliegt. Gleichzeitig gibt es in diesen Systemen eine Vielzahl möglicher Regelparameter, die je nach Anlagentopologie, eingesetzter Technologie und Aufstellort unterschiedliche Effekte auf das Gesamtsystem haben. Wissenschaftliche Publikationen und bei Industriepartnern durchgeführte Potenzialanalysen deuten daher auf hohe Kosten- und CO2-Einsparpotenziale hin. Durch den Einsatz von KI-Algorithmen können je nach vorausgegangener Betriebsweise typischerweise 10-40 % der Energiekosten eingespart werden.

Zielsetzung

Das übergeordnete Ziel von EISKIG besteht darin, ein autonom agierendes System aufzubauen, welches über KI-basierte Optimierungsverfahren selbstständig die Betriebsstrategie relevanter Anlagen analysiert und optimiert, um die Energieeffizienz und Energieflexibilität zu steigern, den Implementierungsaufwand zu minimieren und die Nutzerakzeptanz zu erhöhen. Dabei wird die Realisierung von mindestens 15 % Energieeinsparungen ausgewählter Kälteversorgungssysteme von Projektpartnern aus den Bereichen Chemie und Pharma, Antriebs- und Steuerungstechnik sowie der IT-Branche angestrebt.

Vorgehensweise

Das Forschungsprojekt EISKIG identifiziert durch Daten- und KI-basierte Optimierungsverfahren in der Gebäudekältetechnik entsprechende Energieverschwendungen bzw. Effizienzpotenziale, leitet Maßnahmen für einen optimierten Anlagenbetrieb ab und setzt diese in der industriellen Praxis bei den Projektpartnern um.

Zu Beginn des Projekts werden in TP 1 (Systemverständnis und Konzeption) die technischen und organisatorischen Anforderungen der Anwendungspartner gesammelt und die Systemgrenzen definiert. Anschließend werden in TP 2 (Dateninfrastruktur) die realen Anlagen der Anwendungspartner über sog. IoT-Gateways an eine zentrale Datenverarbeitungsplattform angebunden, auf der die Prognose-, Simulations- und Optimierungsanwendungen betrieben werden. Die Analyse der erfassten Zeitseriendaten findet in TP 3 (Datenanalyse) statt. Ziel ist es durch statistische Verfahren und Machine Learning Methoden tiefere Erkenntnisse über die Abhängigkeit des Energiesystems von äußeren Einflüssen zu gewinnen und diese zu prognostizieren. In TP 4 (Digitale Zwillinge) werden dann die ausgewählten Energiesysteme auf Basis der aufgenommenen Daten simulativ abgebildet, um die Optimierung des Anlagenbetriebs an Simulationsmodellen der Versorgungssysteme zu erproben. Mit den Erkenntnissen aus TP 3 und TP 4 ist schließlich die Optimierung des realen Anlagenbetriebs in TP 5 (Betriebsoptimierung) möglich. Da der Transfer auf andere Unternehmen bisher an dem hohen Aufwand für die Implementierung der Verfahren gescheitert ist, werden in TP 6 (Skalierung) Softwarebausteine entwickelt, durch welche die Anwendung und Übertragung der Verfahren deutlich erleichtert wird.

Fördergeber

Konsortialpartner

Projektträger