KI-Methoden für die Wärme- und Stromerzeugung mit solarthermischen Kollektorsystemen
Aufgrund des komplexen Zusammenspiels in konzentrierenden solarthermischen Systemen, zwischen den umfangreichen optischen Systemen und den thermohydraulischen Hochtemperaturprozessen, ist der Automatisierungsgrad noch vergleichsweise gering. Die Automatisierung und Optimierung des Systembetriebs birgt jedoch ein erhebliches Potenzial zur weiteren Kostenreduktion.
Im Rahmen des Projektes AuSeSol-AI (KI-Methoden zur autarken und selbstoptimierenden Solarstromerzeugung) werden bestehende boden- und luftgestützte optische Fernerkundungssysteme zur Überwachung der Umweltbedingungen und des Kraftwerkszustandes mit KI-Methoden optimiert. Dabei kommen innovative teilüberwachte und selbstüberwachte Verfahren zum Einsatz, die mit umfangreichen unmarkierten oder nur teilweise gelabelten Daten arbeiten können. Die Messergebnisse der Fernerkundungssysteme werden mit den tausenden von Sensorkanälen der Anlagen (Temperatur, Massenstrom, Kollektorposition, Druck, etc.) kombiniert.
Aufgrund der Datenmenge und der Vielfalt der sich überlagernden physikalischen Effekte ist eine optimale Nutzung der vorhandenen Daten mit klassischen Methoden nicht möglich. Zu diesem Zweck wird die Vision eines intelligenten "O&M-Assistenten" verfolgt, der kontinuierlich auf alle verfügbaren Informationen zugreift und daraus lernt. Integriert in das Leitsystem kann ein solcher O&M-Assistent einen wesentlichen Beitrag zur vollständigen Automatisierung von CSP-Anlagen leisten und damit die Anlageneffizienz und -zuverlässigkeit erhöhen. Die Positionierung Deutschlands in diesem innovativen Bereich der Zustandsüberwachung und Automatisierung, eröffnet zudem vielfältige globale Vermarktungschancen, die den Umstieg auf erneuerbare Energien fördern.
Bei der Auswertung der solarthermischen Betriebsdaten müssen Variablen berücksichtigt werden, die die Anwendung klassischer maschineller Lernverfahren drastisch erschweren. So unterliegen die Messdaten beispielsweise wetter- und saisonbedingten Schwankungen und können anlagen- und standortspezifische Besonderheiten aufweisen. Um die gewonnenen Sensorsignale dennoch für Aufgaben wie die Fehlererkennung oder die Abschätzung von Verschmutzungsgraden nutzen zu können, werden Modelle benötigt, die weitgehend unempfindlich gegenüber solchen Variabilitäten sind. Die Entwicklung von Modellen mit Invarianz in Bezug auf die Datenverteilung, die Datensyntax und die gewünschte Aufgabe ist ein zentrales Forschungsinteresse. Ein wichtiger Aspekt ist die Extraktion von Deskriptoren und die Entwicklung von Distanzmaßen für zeitlich und raum-zeitlich aufgelöste Daten.
Die entwickelten Methoden und Ansätze werden auf ihre Eignung hin evaluiert und analysiert. Dies erfordert u.a. den Einsatz geeigneter Simulationsumgebungen, die auch im Forschungsinteresse von fortiss liegen. In Verbindung mit CO-Simulationsumgebungen ist auch die Anbindung und Integration von realen Komponenten essentiell, um Rückschlüsse auf das tatsächliche Systemverhalten zu ziehen. Hier werden auch Möglichkeiten untersucht, potentielle Fehler in das bestehende System einzuspeisen.
Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz (BMUV)
Projektträger: Zukunft – Umwelt – Gesellschaft (ZUG)
Förderkennzeichen: 67KI21007%
04.07.2022 - 03.07.2025
