Effizientere Wartung durch Künstliche Intelligenz

30.06.2021 – Datenanalysen und Prognosen, gestützt durch den Einsatz von Künstlicher Intelligenz (KI), können den Betrieb und die Wartung von Versorgungsanlagen deutlich optimieren. Die Lehmann + Pioneers Digital GmbH (LPDG) hat eine Lösung entwickelt, die sich sowohl bei KWK-Anlagen als auch im Lademanagement bewährt.

Ganz im Sinne der Energiewende und der Sektorenkopplung erzeugen BHKW parallel Wärme und Strom dezentral und in unmittelbarer Nähe zum Verbraucher. Typischerweise kommen diese Anlagen in Quartieren und Wohnblocks, öffentlichen Einrichtungen wie Krankenhäusern, Schulen und Schwimmbädern, im Gastronomie- und Hotelgewerbe sowie Industriebetrieben mit gleichzeitigem Strom- und Wärmebedarf zum Einsatz.

Geplant, betrieben und gewartet werden die Anlagen häufig durch das örtliche Stadtwerk im Rahmen von Contracting-Vereinbarungen. Da die Kraft-Wärme-Kopplung (KWK) zwei Sektoren verbindet, ist ihr Betrieb meist auch eine Optimierungsaufgabe. Mit der Integration von Strom- und Wärmespeichern sowie Ladeinfrastrukturen für Elektromobile kommen weitere, wohl noch wesentlich komplexere Optimierungsaufgaben auf die Versorgungswirtschaft zu. Am Beispiel BHKW lässt sich zeigen, wie Datenanalytik dabei wirkt.

istockphoto_monsitj_branex
KI-gestützte Datenanalysen sollen Betrieb und Wartung von Versorgungsanlagen effizienter gestalten. Bild: iStock.com / monsitj; iStock.com / branex

Tiefe Datenanalyse

Bei der Optimierung von BHKW stehen neben der Energieeffizienz immer auch zwei weitere Ziele im Fokus: möglichst niedrige Erzeugungskosten sowie zuverlässiger und ausfallsicherer Anlagenbetrieb. Matthias Hinkelmann, Geschäftsführer der LPDG, erläutert den Ansatz der LPDG-Lösung: „Für die datenbasierte Optimierung der Anlagensteuerung eignen sich analytische Plattformen wie LPDG Analytics. Damit lassen sich die Daten aus Verbrauchszählern für Strom oder Thermische Energie, Sensoren und Leitsystem extrahieren, verarbeiten und mit Daten aus externen Quellen anreichern. Auf dieser Basis können noch genauere Prognosen und Fahrpläne erstellt werden, als dies allein mithilfe historischer Lastgänge möglich ist.“

BHKW-Laufzeiten planen

Konkret werden für die Planung der BHKW-Laufzeiten Parameter wie die erwarteten Abnahmemengen von Wärme und Strom, die Füllstände der Wärmespeicher, Wetterdaten und die Vorlauftemperatur einbezogen. Die zu erwartenden Abnahmemengen werden durch ein additives Prognose-Modell mit maschinellem Lernen aus den Werten der Vergangenheit errechnet. Dazu werden sowohl saisonale Schwankungen als auch Abhängigkeiten von externen Faktoren wie der Umgebungstemperatur einbezogen. „Um ein realistisches Szenario für die Laufzeitenplanung zu erreichen“, so Hinkelmann, „berücksichtigt das Datenmodell zudem die Kapazitäten der Wärmespeicher und die Mindestlaufzeiten als Parameter.

Zur Einspeisung von Strom ins Netz kann die Energieerzeugung zusätzlich wirtschaftlich optimiert werden. Dies gelingt durch die Anbindung weiterer externer Datenquellen, etwa der Price Forward Curve von Energiebörsen wie der European Energy Exchange AG (EEX).“

Vorausschauende Wartung

Ein weiterer Anwendungsfall für eine datengetriebene Optimierung von Blockheizkraftwerken ist die vorausschauende Wartung oder Predictive Maintenance. Mit diesem Begriff wird ein Wartungskozept bezeichnet, das auf der Auswertung von Prozess- und Maschinendaten in der Verbindung mit Vorhersagemodellen basiert. Im Gegensatz etwa zur turnusmäßigen und zustandsorientierten Wartung liegen der vorausschauenden Wartung somit Berechnungen zum optimalen Zeitpunkt für die Wartungsmaßnahme zugrunde. Konkret ermittelt die Lösung anhand eines kontinuierlichen Monitorings verschiedener Betriebsparameter wie Temperaturen, Vibration, Geräuschpegel etc. die Wahrscheinlichkeit für Ausfälle einzelner Komponenten oder der gesamten Anlage.

Zusätzlich zu den Daten der Maschinen selbst werden auch Informationen der Peripherie und Umgebungsmerkmale wie Temperatur oder Luftfeuchtigkeit einbezogen. Matthias Hinkelmann: „Je mehr Daten für die Analyse-Algorithmen zur Verfügung stehen, desto besser lassen sich latente Verschleißprozesse oder Störfaktoren erkennen.“ Sensor- und funkbasiert (z.B. per LoRaWAN) lassen sich die benötigten Parameter heute auf einfache Art und Weise erheben und übermitteln.

Matthias Hinkelmann fasst zusammen: „Durch intelligente Methoden der Datenintegration, Datenbereinigung und Vereinheitlichung auf der LPDG Analytics Plattform wird die Basis zur Erkennung und Voraussage von Anomalien im Anlagenbetrieb geschaffen. Dies geschieht dann beispielsweise durch Zeitreihenanalysen sowie das Clustering von Betriebsdaten. Auf dieser Basis können Eintrittswahrscheinlichkeiten für bestimmte Ereignisse errechnet und somit auch der optimale Zeitpunkt für die Wartung bestimmt werden.“

Das Identifizieren von Anomalien in Datenbeständen sei dabei auch die Voraussetzung zur Optimierung und Steuerung von Prozessabläufen. „Algorithmen aus dem Bereich der künstlichen Intelligenz und maschinelles Lernen sorgen so für einen energetisch vorteilhaften, sicheren und wirtschaftlichen BHKW-Betrieb.“

Prognosebasiertes Lademanagement

Nicht weniger anspruchsvoll ist das Management von Ladeinfrastrukturen für Elektromobile. Hier geht es insbesondere darum, Parameter wie Stromangebot (ggf. dezentral aus Wind, Sonne oder Speichern) und Belastbarkeit des lokalen Stromnetzes mit den Ladebedürfnissen der E-Mobilisten in Einklang zu bringen. Eine Netzüberlastung durch zeitgleiche Ladevorgänge in lokalen Netzen gilt es unter allen Umständen zu vermeiden. Auch hier bietet die LPDG-Plattform einen Lösungsansatz: „Mithilfe von KI-basierten Tools kann ermittelt werden, welche Leistung wann am Standort zum Laden der Fahrzeuge zur Verfügung steht. Auf dieser Basis kann ein prognosebasiertes, gleitendes Lademanagement realisiert werden. KI unterstützt dabei, technische Erfordernisse und Konsumbedürfnisse intelligent auszubalancieren“, so Hinkelmann.

Ganz grundsätzlich sieht der COO in der Energiewirtschaft enormes Optimierungspotenzial durch den Einsatz von KI: „Durch die Integration und das Zurückspielen von Analyseergebnissen in Geschäftsprozesse und Wertschöpfungsketten ergeben sich ganz neue Möglichkeiten zur Effizienzsteigerung. Wir halten KI sogar für ein unverzichtbares Werkzeug, wenn die verschärften Klimaschutzziele erreicht werden sollen. Vergessen wir nicht, dass unser Energiesystem im Zuge des Dekarbonisierungs- und Dezentralisierungsprozesses immer komplexer wird und dass immer mehr Daten zur Verfügung stehen. Es wäre fahrlässig, in dieser Situation auf KI als Optimierungsinstrument und Navigationshilfe zu verzichten.“ (pq)

Lehmann + Pioneers Digital GmbH
Matthias Hinkelmann
matthias.hinkelmann@lpdg.io
www.lpdg.io

Share