„nachhaltige technologien 01 | 2022"

13 12 vor allem die weitere Verwendung der Modelle ist die Wahl der geeignetsten Modellierungssprache sowie die Simulationsumgebung wichtig. Im Projekt „Digital Energy Twin“ wurde Modelica für die Modelle und Dymola als Umgebung eingesetzt. Die meisten Modelica-Werkzeuge sind mit dem FMI-Standard 2 konform, wodurch die entwickelten Modelle in gän- gige und auch im Projekt genutzte Softwarelösun- gen digitaler Zwillinge als FMU 3 integriert werden können. Ein weiterer wichtiger Aspekt von Modelica sind frei verfügbare Modell-Bibliotheken für Ener- giesysteme und die langjährige positive Erfahrung des Konsortiums mit diesen. Die Abbildung des industriellen Energiesystems basiert auf gesam- melten Informationen und verfügbaren Modellen für die Grundkomponenten wie Wärmeübertrager, Wärmepumpen sowie Heizkessel und Kälteanlagen. Datengetriebenes Modell Komplexer ist die Beschreibung von Prozessen wie zum Beispiel galvanischen Bädern in der Leiterplat- tenproduktion. Bekannte Gleichungen reichen dafür nicht mehr aus, weshalb im Projekt „Digital Energy Twin“ die Methode der datengetriebenen Modellie- rung gewählt wird. Damit wird basierend auf verfüg- baren gemessenen oder simulierten Eingangs- und Ausgangsgrößen eines Bades ohne Kenntnisse der Vorgänge im Inneren des Bades dieses in ein Modell übergeführt. Weiters müssen unterschiedliche Be- triebszustände wie das Vorheizen und die eigentliche Produktion unterschieden werden, um Vorhersagen zu Energiebedarf und Produktqualitätmachen zu können. Wenn keine Produktion stattfindet, wird die Heizung der Becken abgeschaltet und die Bäder kühlen auf Raumtemperatur ab. Diese unterschiedlichen Phasen werden durch das Datenmodell abgebildet. Ganzheitliches Optimierungssystem Um den Energiebedarf des industriellen Systems ab- bilden, vorhersagen und optimieren zu können, ist es notwendig, das Energiesystem, die Energieverbräuche der einzelnen Produktionsprozesse und die zur Verfü- gung stehende Energie in einem Optimierungssystem zusammenzufassen (siehe Abbildung auf der nächsten Seite). Basierend auf der beschriebenen physikalischen und datengetriebenen Modellierung bilden diese die Grundlage für die Optimierung und werden je nach Wahl der Optimierungsmethode angepasst. Entschei- dend in diesem Arbeitsschritt ist auch die Reduktion der Rechenzeit, um die Erkenntnisse in einen digitalen Zwilling in Echtzeit integrieren zu können. Die in Modelica erzeugten physikalischen Modelle ha- ben eine lange Rechenzeit, wodurch ihre Implemen- Kälte wird zur Gänze über vorhandene Kälteanlagen bereitgestellt. Die dabei anfallende Abwärme wird in die beiden Wärmeversorgungsnetze eingespeist bzw. über Rückkühlung an die Umgebung abgegeben. Die Wärmebereitstellung wird kaskadisch umgesetzt, wo- bei die Nutzung der vorhandenen Abwärmeströme aus den Kälteanlagen sowie Druckluftkompressoren ge- genüber dem Einsatz von Wärmepumpen und schließ- lich den bestehenden Heizkesseln priorisiert wird. Optimierungsmethoden Die meisten Optimierungsmethoden industrieller Energiesysteme benötigen ein Modell des zu optimie- renden Systems. Dabei werden sowohl physikalische als auch datengetriebene Modelle eingesetzt. Erstere beschreiben Systeme basierend auf mathematischen Gleichungen, bei zweiteren „erlernen“ sogenannte Machine-Learning-Algorithmen (die aktuell promi- nenteste Methode aus dem Werkzeugkasten der künstlichen Intelligenz) das Verhalten von Systemen durch die Analyse von Daten. Beide Wege der Model- lierung haben klar erkennbare Stärken und Einschrän- kungen. Gleichungen können von Anwendern grund- sätzlich leicht verändert und interpretiert werden. Die Beschreibung von Systemen mit Gleichungen stößt jedoch dort an ihre Grenzen, wo diese zunehmend komplexer und Zustände schwerer beschreibbar werden. Der Grund ist, dass die zugrundeliegenden Gleichungen des Systems nicht bekannt sind oder nur bestimmte Eingangs- und Ausgangsgrößen gemessen werden können, die Zustände im Inneren des Systems aber unbekannt sind. Machine-Learning-Algorithmen verarbeiten genau diese Input-/Output-Daten. Viele Algorithmen benötigen dazu keine Gleichungen und die notwendigen Modelle von Prozessen oder Anlagen können von Personen entwickelt werden, welche die zugrundeliegenden Prozesse und Physik nicht kennen. Damit beschäftigt sich die Wissenschaft aktuell: Wie können Machine-Learning-Ansätze methodisch inter- pretierbarer, robuster und allgemeiner anwendbar werden. Im Zusammenhang mit der Entwicklung und Nutzung digitaler Zwillinge zur Optimierung industri- eller Systeme sind dafür Werkzeuge aus den Welten der Physik und Data Science notwendig. Physikalisches Modell Ein physikalisches Modell eignet sich wie beschrie- ben, wenn die zugrundeliegenden Gleichungen zur Beschreibung des Systems bekannt sind. Das ist für typische Anlagen zur Versorgung mit Wärme und Kälte der Fall. Leistung, Energie, Temperaturen und Massenströme sind typische Parameter, die so be- schrieben werden können. Für die Entwicklung und 1 IC - Integrated Circuit 2 Das Functional Mock-up Interface (FMI) ist ein freier Standard, der einen Container und eine Schnittstelle für den Austausch dynamischer Modelle mit einer Kombination aus XML-Dateien, Binärdateien und C-Code in einer einzigen Datei definiert. https://fmi-standard.org 3 Der Container des FMI-Standards ist die Functional Mock-up Unit (FMU) FLEXIBILISIERUNG INDUSTRIELLER ENERGIESYSTEME