AuSeSol-AI

AuSeSol-AI

KI-Methoden für die Wärme- und Stromerzeugung mit solarthermischen Kollektorsystemen

AuSeSol-AI

Beim Betrieb von solarthermischen Kraftwerken fällt eine große Menge an Messdaten an, die bisher nur für einfache Steuerungszwecke genutzt werden. Sekundärinformationen, die Rückschlüsse auf den Zustand der Anlagenkomponenten, die Qualität der Regelung und die frühzeitige Erkennung von Störungen erlauben, blieben bisher ungenutzt. Das Projekt erforscht und testet KI-basierte Methoden zur Überwachung und Optimierung von solarthermischen Anlagen.

Projektbeschreibung

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.

Forschungsbeitrag

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.

Projektziele, an denen fortiss forscht:

  1. Optimierte KI-Algorithmen für die Betriebsdatenanalyse
    Die räumlich-zeitlich korrelierten Betriebsdaten sind eine anwendungsspezifische Herausforderung des Projekts. Vorhandene KI-Methoden sollen soweit angepasst bzw. kombiniert werden, dass Methoden für die Anwendung in Solarfragestellungen nutzbar und getestet sind. Der Nachweis der Funktionalität in AP 5 demonstriert den Mehrwert der neuen Verfahren.
     
  2. Anomalie-Detektion in Solarkraftwerken mit Hilfe von KI
    Die Erkennung von Degradationen oder Drifts in der Fülle von Betriebsdaten wird bei Solaranlagen durch die sich ständig ändernden Betriebspunkte (Sonneneinstrahlung, Umgebungstemperatur,...) erschwert. Die Identifikation schleichender Effekte ist vom menschlichen Anlagenfahrer erst zu erkennen, wenn sie zu einem größeren Ausfall angewachsen sind. Es werden daher neue Ansätze basierend auf KI zur Analyse von Anlagenbetriebsdaten entwickelt, um Anomalien, Muster und Trends zu erkennen, die für den Anlagenbetrieb und die Lebensdauer relevant sind. Die von der Anlage übermittelten Betriebsmessdaten werden um zusätzlich erzeugte „smart data“ und die Nutzung von der selbst-lernenden Anlagenmodelle erweitert. Es wird angestrebt, dass der Algorithmus in der Lage ist, Kollektoren zu klassifizieren und zeitliche wie räumliche Muster im Solarfeld zu erkennen.
     
  3. Betriebsassistenzsysteme auf KI-Basis für Entscheidungsprozesse
    Algorithmus zur Unterstützung des Kraftwerks bei täglichen und längerfristigen Entscheidungen mittels eines auf KI-Datenauswertung aufbauenden Betriebsassistenzsystems, welches die Interaktion mit dem Benutzer erlaubt, die aufbereiteten Daten visualisiert und von den KI-Ergebnissen kraftwerksspezifische Empfehlungen ableitet.
    Es wird angestrebt, dass der Algorithmus mindestens in der Lage ist, sinnvolle längerfristige Empfehlungen (zum Beispiel Receiveraustausch) und mittelfristige (z.B. Trackingnachkalibrierung oder hydraulische Nachregelung) Empfehlungen zu geben.
     
  4. KI-basierte Anlagensteuerung für Prozessdampfanlagen
    Direktverdampfungsprozesse lassen sich abhängig von der Umgebungsbedingungen in optimalen Betriebspunkten fahren. Wegen der begrenzten messtechnischen Einblicke ist der aktuelle Anlagenzustand mit vertretbaren Kosten nicht direkt messbar, für die Optimierung aber entscheidend. Ziel ist es, ein KI-basiertes Prozessmonitoring aufzubauen, welches unter Berücksichtigung spezifischer Sensoren und Historien den Systemzustand automatisch ermittelt. Diese Information soll dann in eine KI-unterstützte Betriebssteuerungslogik einfließen, die für eine jederzeit optimale Fahrweise der Anlage ohne menschlichen Eingriff sorgt. Die Betriebssteuerungslogik greift dabei auch auf Strahlungsvorhersage-System zurück. Die Betriebssteuerungslogik wird in der Lage sein, Entscheidungen auf der Grundlage der prädiktiven Werte der beschädigten oder fehlenden Sensoren zu treffen und somit jegliche Ausfallzeiten zu vermeiden, die durch die Abhängigkeit des Steuerungsalgorithmus von einigen Sensordaten verursacht werden können.

Projektdauer

04.07.2022 - 03.07.2025

Dr. Markus Duchon

Ihr Kontakt

Dr. Markus Duchon

+49 89 3603522 30
duchon@fortiss.org

Projektpartner