Powered by OpenAIRE graph
Found an issue? Give us feedback
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/ Elektronische Publik...arrow_drop_down
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/
addClaim

This Research product is the result of merged Research products in OpenAIRE.

You have already added 0 works in your ORCID record related to the merged Research product.
addClaim

This Research product is the result of merged Research products in OpenAIRE.

You have already added 0 works in your ORCID record related to the merged Research product.

Experimental development of a model predictive control for flexible operation of biogas plants

Authors: Dittmer, Celina;

Experimental development of a model predictive control for flexible operation of biogas plants

Abstract

Die Transformation des Energiesystems macht aufgrund zunehmend dezentraler, fluktuierender Stromeinspeisungen durch Wind- und PV-Anlagen, regelbare Stromproduzenten dringend erforderlich. Biogasanlagen können einen substanziellen Beitrag leisten, indem der Anlagenbetrieb flexibilisiert und somit bedarfsgerecht Strom bereitgestellt wird. Durch technische Anpassungen der Anlage, wie beispielsweise dem Ausbau der Gasspeicherkapazitäten und der BHKW-Leistung, lassen sich kurzfristige Schwankungen ausgleichen. Um das Stromerzeugungspotential über längere Zeiträume verlagern zu können, ist jedoch eine angepasste Fütterungsstrategie unabdingbar. Die Steuerung der Biogasproduktion birgt in der praktischen Umsetzung einige Herausforderungen. Einerseits ist die Konversion von Biomasse in Biogas ein komplexer Vorgang und zudem individuell für jede Biogasanlage zu betrachten. Bisher entwickelte Modelle nutzen daher Parameter zu sämtlichen charakteristischen Prozessphasen und Einflussgrößen, um die anaerobe Fermentation modellieren zu können. Demgegenüber steht die oftmals rudimentäre Ausstattung der Biogasanlagen mit Messtechnik, sodass entsprechende Parameter nicht zur Verfügung stehen. Im Rahmen dieser Arbeit wurde eine modellbasierte prädiktive Regelung des Biogasanlagenbetriebes entwickelt, die eine dem Bedarf angepasste Stromproduktion ermöglicht. Dabei wurde der Anspruch gefasst, besonders praxistaugliche Modelle zu entwickeln um erstmals einen erfolgreichen Einsatz auf nahezu allen Biogasanlagen mit keinen oder nur wenigen Anpassungen an der vorhandenen Messtechnik zu erlauben. Alle Untersuchungen, die dieser Arbeit zugrunde liegen, wurden auf Basis eines Reallabors, dem „Unterer Lindenhof“, durchgeführt. Dieses umfasst sowohl eine Praxisbiogasanlage als auch einen Energieverbrauch, der einem Dorf mit ca. 125 Einwohnern entspricht. In einem ersten Schritt wurden Prognosemodelle evaluiert, die den Strombedarf des Reallabors über 48 Stunden im Voraus vorhersagen sollen. Dabei wurden vier Modelle aus dem Bereich der Zeitreihenanalyse untersucht, ein TBATS und drei unterschiedliche ARIMA-Modelle. Über eine Evaluation von jeweils 366 Prognosen zeigten alle vier Modelle mit durchschnittlichen MAPE-Werten von 13-16 % ausreichend gute Resultate um einen Sollwert zur Orientierung des Biogasanlagenbetriebes zu liefern. Zusätzliche Untersuchungen ergaben zudem, dass die Prognose auch über einen Zeitraum von bis zu 14 Tagen erfolgen kann, ohne stärke Einbußen hinsichtlich der Prognosequalität. In einem weiteren Schritt wurde ein Modell zur Simulation der Biogasproduktion entwickelt. Dieses basiert ebenfalls auf der Zeitreihenanalyse, konkret auf einem Regressionsmodell. Damit unterscheidet es sich maßgeblich von bisherigen Entwicklungen in diesem Bereich, die in den meisten Fällen auf dem komplexen ADM1 beruhen. Sehr vorteilhaft erweist sich, dass das entwickelte Simulationsmodell lediglich historische Daten der letzten vier Wochen von der Biogasproduktion und der dosierten Menge an festen Substraten, unabhängig ihrer Zusammensetzung, als Inputparameter benötigt. Die Simulation der Biogasproduktion über 48 Stunden im Voraus erfolgt basierend auf Korrelationen, die die beiden Datensätze aufweisen. Eine Evaluation des Modells über 366 Simulationen ergab einen durchschnittlichen MAPE von 14-18 %. Dabei wurden die Daten von beiden Fermentern der Praxisbiogasanlage genutzt, die als eigenständige Systeme betrachtet werden können und damit die Adaptierbarkeit des Modells verdeutlichten. In einem dritten Schritt wurde die Fütterungsplanung zur bedarfsorientierten Biogasproduktion entwickelt. Für jeweils 48 Stunden im Voraus wurden 1500 randomisierte Fütterungspläne berechnet. Dabei wurden einige wenige Limitierungen vorgenommen, wie die maximale Substratmenge, die technisch in der Praxisbiogasanlage umsetzbar ist. Die aus den Fütterungsplänen voraussichtlich resultierende Biogasmenge konnte mittels des Simulationsmodells berechnet werden. Über einen Abgleich mit dem gewünschten Biogasbedarfsprofil konnte die Simulation mit den geringsten Abweichungen ermittelt und der zugehörige Fütterungsplan ausgewählt und umgesetzt werden. Die gesamte modellbasierte prädiktive Regelung wurde in einem praktischen Versuch im Reallabor „Unterer Lindenhof“ eingesetzt und eingehend geprüft. Über einen Zeitraum von 36 Tagen konnte ein durchschnittlicher MAPE von unter 20 % im Abgleich von der realen Biogasproduktion zu dem gewünschten Biogasbedarf erreicht werden. Dabei wurde in dem Testzeitraum der Biogasbedarf von dem prognostizierten Strombedarf des Reallabors abgeleitet. Die Untersuchungen der vorliegenden Arbeit zeigen, dass die entwickelte modellbasierte prädiktive Regelung eine bedarfsgerechte Stromproduktion auf einer großtechnischen Biogasanlage ermöglicht und aufgrund der erstmals sehr praxistauglichen Modelle eine Adaption auf nahezu jede Biogasanlage erlaubt. The transformation of the energy system requires controllable producers due to increasingly decentralised, fluctuating electricity generation from wind turbines and photovoltaics. Biogas plants can make a substantial contribution here by making plant operation more flexible and thus providing electricity as needed. Technical adjustments, such as the expansion of gas storage capacities and CHP output, can compensate for short-term fluctuations. However, in order to be able to shift the potential of electricity generation over longer periods of time, an adapted feed-in strategy is essential. The control of biogas production poses several challenges in practical implementation. First, the conversion of biomass into biogas is a complex process and must be considered individually for each biogas plant. Models developed so far use parameters for all characteristic process phases and influencing variables in order to be able to model anaerobic digestion. In contrast, biogas plants are often only rudimentarily equipped with measurement technology, so that corresponding parameters are not available. In this work, a model-predictive control of biogas plant operation was developed to enable demand-driven electricity generation. The aim was to develop models that are particularly well suited for practical use. Thus, for the first time, a successful application on almost all biogas plants could be possible without or with only minor adaptations to the existing measurement technology. All studies carried out in this thesis are based on a real-world laboratory, the "Unterer Lindenhof". This includes a practical biogas plant as well as an electrical consumption corresponding to that of a village with about 125 inhabitants. In a first step, forecasting models were evaluated to predict the electricity demand of the real-world laboratory over 48 hours in advance. Four models from the field of time series analysis were examined, one TBATS and three different ARIMA models. In an evaluation of 366 forecasts each, all four models performed sufficiently well to provide a set point for biogas plant operation, with average MAPE values of 13-16 %. Further investigations showed that forecasts can also be carried out over a period of up to 14 days without significant losses in forecast quality. In a further step, a model was developed to simulate biogas production. This is also based on time series analysis, or more precisely on a regression model. Thus, it differs significantly from previous developments in this field, which are mostly based on the complex ADM1. It turns out to be very advantageous that the developed simulation model uses as input parameters only historical data of the last four weeks of biogas production and the amount of solid substrates fed in, without considering their composition. The simulation of biogas production over 48 hours in advance is based on correlations resulting from these two data sets. An evaluation of the model over 366 simulations resulted in an average MAPE of 14-18 %. Data from both digesters of the biogas plant were used, which can be considered as independent systems, demonstrating the adaptability of the model. In a third step, the feeding schedule was developed for demand-based biogas production. For each 48 hours in advance, 1500 randomised feeding schedules were calculated. Some constraints were imposed, such as the maximum amount of substrate that is technically possible in the biogas plant. The biogas production expected from the feeding schedules could be calculated using the simulation model. By comparing the simulation with the desired biogas demand profile, the simulation with the least deviations could be determined and the appropriate feeding plan selected and implemented. The entire model predictive control system was used and thoroughly tested in a field trial at the real-world laboratory "Unterer Lindenhof". Over a period of 36 days, an average MAPE of less than 20 % was achieved in comparison between the real biogas production and the desired biogas demand. During the test period, the biogas demand was derived from the predicted electricity demand of the real-world laboratory. The investigations carried out show that the model-predictive control system developed enables demand-oriented electricity generation on full-scale and that, due to the models being very close to practice for the first time, adaptation to almost all biogas plants is possible.

Country
Germany
Related Organizations
Subjects by Vocabulary

Dewey Decimal Classification: ddc:630

Keywords

model predictive control, time series analysis, Renewable energies, biogas, Modellprädiktive Regelung, Erneuerbare Energien, Zeitreihenanalyse, Agriculture, Bedarfsgerechte Stromproduktion, simulation

  • BIP!
    Impact byBIP!
    citations
    This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    0
    popularity
    This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
    Average
    influence
    This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    Average
    impulse
    This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
    Average
  • citations
    This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    0
    popularity
    This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
    Average
    influence
    This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    Average
    impulse
    This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
    Average
    Powered byBIP!BIP!
Powered by OpenAIRE graph
Found an issue? Give us feedback
citations
This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Citations provided by BIP!
popularity
This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
BIP!Popularity provided by BIP!
influence
This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Influence provided by BIP!
impulse
This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
BIP!Impulse provided by BIP!
0
Average
Average
Average
Related to Research communities
Assessing the socio-economic impact of digitalisation in rural areas
moresidebar

Do the share buttons not appear? Please make sure, any blocking addon is disabled, and then reload the page.