Das Fraunhofer-Institut für Solare Energiesysteme ISE hat in dem Projekt „ANNsolar“ selbstlernende künstliche neuronale Netze für die Regelung von Solarthermieanlagen entwickelt. Das Artificial Neural Network (ANN) erfasst die individuelle thermische Dynamik des Gebäudes, die Wärmebedarfsänderung durch Solarstrahlung auf die Gebäudehülle und den Ladezustand des Speichers in Abhängigkeit der Betriebsbedingungen. So können die Netze die thermischen Zustände für die Zukunft prognostizieren, ohne dass eine Simulation erforderlich ist.

Künstliche neuronale Netze sind, ähnlich dem menschlichen Gehirn, in der Lage, Handlungsstrategien selbstständig anhand von „erlebten“ Beispielen (d.h. Trainingsdaten) zu entwickeln. Der Aufbau eines künstlichen neuronalen Netzes orientiert sich dabei an den Erkenntnissen der Neurobiologie über die Funktionsweise des menschlichen Gehirns. Nun sollen diese Netzstrukturen auch für technische Regelungen eingesetzt werden.

Im Rahmen des Projekts „Annsolar“ entwickelten die Forscher des Fraunhofer ISE ein Regelungskonzept, das individuelle Randbedingungen (z.B. lokales Klima und Wärmedämmstandard) sowie das charakteristische Betriebsverhalten der solarthermischen Anlage und des Wärmeverteilsystems selbständig identifiziert. Im Regelungsbetrieb kann dann die Entwicklung von Raumtemperatur, Solarertrag und Speicherladezustand prognostiziert werden, um die Heizungsanlage optimal zu betreiben.

Einsparpotenzial liegt mindestens bei sieben Prozent

„Künstliche neuronale Netze bieten so eine hervorragende Möglichkeit, Heizungsanlagen effizienter und kostengünstiger zu regeln“, sagte Wolfgang Kramer, Abteilungsleiter Thermische Speicher und Gebrauchsdaueranalyse sowie Koordinator Solarthermie am Fraunhofer ISE. Die Einsparpotenziale gegenüber einer optimierten konventionellen Regelung bei Bestandsgebäuden liegen dem Fraunhofer ISE zufolge bei mindestens sieben Prozent. Gegenüber nicht optimierten Regelungen, wie sie sehr häufig in der Praxis vorkommen, liege das Einsparpotenzial in einer Größenordnung von zwölf Prozent und mehr.

Neben der Maximierung von Solarertrag und Energieeffizienz soll durch diesen Ansatz insbesondere auch eine Reduzierung der Aufwände bei Installation und Inbetriebnahme der Regler erreicht werden. Erwartet werden Einsparungen von mehreren Stunden an Handwerkerdienstleistung.

Kombination mit einer Linearen System Identifikation vielversprechend

Ein vielversprechender Ansatz besteht aus der Kombination von selbstlernenden künstlichen neuronalen Netzen, die nichtlineare Zusammenhänge abbilden, und einer Linearen System Identifikation (LSI). Diese Kombination ist in der Lage, sowohl nichtlineares als auch lineares Verhalten der Anlage abzubilden. Die dafür benötigten Algorithmen wurden am Fraunhofer ISE entwickelt, in einen Regelungscode implementiert und bereits in einer realen Anlage validiert.

Wesentliche Basis des entwickelten Regelungskonzepts sind die Prognosen von Raumtemperatur, Solarertrag und Speicherladezustand. Diese Größen können mit Hilfe der Kombination aus ANN und LSI in guter Genauigkeit vorhergesagt werden. Um dies nachzuweisen, wurden Messdaten einer realen Heizungsanlage mit solarthermischer Unterstützung für das Training von ANN-Netzen genutzt.

„Die große Stärke des gewählten Regelungsansatzes besteht darin, dass er in der Lage ist, individuelle Prognosen über die zukünftige Entwicklung von Raumtemperatur und Solarertrag zu generieren und zu berücksichtigen, ohne dass dafür aufwändige Simulationen notwendig sind«, so Wolfgang Kramer.

Auch die Zuschaltung der fossilen Nachheizung wird geregelt

Die ANN-Regelung übernimmt zwei Regelungsfunktionen und greift dabei auf die ANN-Prognosen zurück. Zum einen wird die individuell optimale Heizkurve automatisch ermittelt, wobei im Vergleich zu einer konventionellen Heizkurve zusätzliche Einflüsse (z.B. passive solare Erwärmung des Gebäudes, Betrieb eines Kaminofens) berücksichtigt werden. Darüber hinaus steuert die Regelung auch die Zuschaltung der fossilen Nachheizung: Für die Entscheidung über die Einschaltung der Heizung wird überprüft, ob die notwendigen Speichertemperaturen innerhalb eines Prognosezeitraums ggfs. auch ohne Nachheizung erreicht werden. Unnötige Brennerstarts unterbleiben dann, die fossile Nachheizung wird minimiert und der solare Ertrag maximiert.

An dem Projekt „ANNsolar – Neuronale Netzwerke für die Anwendung in der Solarthermie“ waren auch die Prozeda GmbH, die Steca Elektronik GmbH und die Sorel GmbH beteiligt. Nach knapp vier Jahren endete das Projekt bereits im Juni 2018.

Hier lesen Sie, wie der Umstieg auf die Wärmenetze der vierten Generation gelingen kann:

Wie kann der Umstieg auf effiziente Wärmenetze der vierten Generation gelingen – 5 Hinweise

HINTERLASSEN SIE EINE ANTWORT

Bitte Kommentar einfügen!
Bitte geben Sie Ihren Namen hier ein