Zusammenfassung
Vor dem Hintergrund des geplanten Atom- und Kohleausstiegs in Deutschland spielen Gaskraftwerke eine wichtige Rolle für die Energiewende. Gas- und Dampfturbinen-Kraftwerke (GuD-Anlagen) zeichnen sich durch eine hohe Energieeffizienz und Flexibilität bei der Stromerzeugung aus. GuD-Anlagen werden an vielen Standorten in Deutschland für die kommunale Energieversorgung mit Wärme und Strom eingesetzt. Der Artikel beschreibt die Modellierung der Betriebsweise einer GuD-Anlage durch den Einsatz von Methoden der künstlichen Intelligenz (KI). Das Modell verfolgt das Ziel, den genauen Anlagenzustand des Energiesystems innerhalb eines bestimmten Betriebspunktes möglichst präzise vorherzusagen. Auf der Grundlage der Analyse von Betriebsdaten der GuD-Anlage für einen repräsentativen Zeitraum werden die wichtigsten Einflussfaktoren für den Kraftwerksprozess identifiziert. Der Modellentwurf basiert auf künstlichen neuronalen Netzen (KNN). In einem Machine-Learning-Workflow werden die Arbeitsschritte für die Modellierung beschrieben. Diese umfassen die Topologie des KNN, die Modellkomponenten, die Festlegung der Methoden zur Validierung und Bewertung der Modellgüte sowie Technologien zur Modelloptimierung. Das Modell weist im Test mit den Praxisdaten eine hohe Prognosegüte auf. Die Modellierung dient der Optimierung des operativen Kraftwerkseinsatzes sowie als Entscheidungshilfe für den Stromhandel. Weiterhin kann eine Simulation dabei helfen, mögliche Einsatzszenarien gefahrlos zu testen, ohne dabei hohe Kosten zu erzeugen. Die beschriebene KI-Methodik lässt sich auch auf weitere Energiesysteme mit alternativen Anlagenkonfigurationen übertragen.
Abstract
Because of the planned exit from coal and nuclear energy gas power plants play an important role for the energy transition in Germany. Combined Cycle Power Plants (CCPP) obtain high energy efficiency and strong flexibility of the power generation. They are used for the supply of power and heat in many municipal regions. In this paper the modelling of the operation process for CCPP is reported by using methods of the artificial intelligence (AI). The model aims the forecast of the system state in defined operation situations. The main influence parameters on the power plant process are identified by an analysis of representative operation data. The model development is based on artificial neural networks (ANN). A machine learning workflow describes the main steps of the model development. The developed model is found to quickly predict the performance of the plant with high accuracy. The model is used for the optimization of the operation process as well as for the portfolio management. The described methodology using AI can be extended to further energy systems with alternative plant configurations.
Literatur
Chauvin Y, Rummelhart D (1995) Backpropagation: theory, architectures, and applications. Erlbaum, Hillsdale
Chollet F (2018) Deep Learning mit Python und Keras : das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek, 1. Aufl. mitp, (K. Lorenzen, Übers.))
dena (2019) Künstliche Intelligenz für die Energiewende. Deutsche Energie-Agentur. Berlin. https://www.dena.de/kuenstliche-intelligenz. Zugegriffen: 31. Jan. 2022
Epple E et al (2009) Simulation von Kraftwerken und Wärmetechnischen Anlagen. Springer, Heidelberg
Keras (2021) Keras & TensorFlow 2. https://keras.io. Zugegriffen: 9. Sept. 2021
Leipziger Stadtwerke GmbH. Volle Turbinenkraft voraus, Die Gas- und Dampfturbinenanlage in Leipzig. https://www.l.de/stadtwerke/erzeugung/konventionell/gud (Erstellt: 9. Sept. 2021). Zugegriffen: 9. Sept. 2021
Matplotlib (2021) Matplotlib: visualization with python. https://matplotlib.org. Zugegriffen: 9. Sept. 2021
Matzka S (2021) Künstliche Intelligenz in den Ingenieurwissenschaften. Springer Vieweg, Berlin, Heidelberg
Paaß G, Hecker D (2020) Künstliche Intelligenz. Springer Vieweg, Berlin, Heidelberg
Pfleiderer C, Petermann H (2005) Strömungsmaschinen, 7. Aufl. Springer, Berlin, Heidelberg
python (2021) pythonTM. https://www.python.org. Zugegriffen: 9. Sept. 2021
Quaschning V (2016) Sektorkopplung durch die Energiewende. Hochschule für Technik und Wirtschaft HTW Berlin. https://www.volker-quaschning.de/publis/studien/sektorkopplung. Zugegriffen: 31. Jan. 2021
Schaumann G, Schmitz K (2010) Kraft-Wärme-Kopplung, 4. Aufl. Springer, Heidelberg, Berlin
Schellong W (2016) Analyse und Optimierung von Energieverbundsystemen. Springer Vieweg, Berlin, Heidelberg
Strauß K (2006) Kraftwerkstechnik : zur Nutzung fossiler, nuklearer und regenerativer Energiequellen, 5. Aufl. Springer, Berlin, Heidelberg
Zahoransky R, Allelein H‑J (2015) Energietechnik : Systeme zur Energieumwandlung; Kompaktwissen für Studium und Beruf, 7. Aufl. Springer Vieweg, Wiesbaden
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Schellong, W., Schoppe, T. Modellierung der Betriebsweise einer GuD-Anlage mithilfe neuronaler Netze. Z Energiewirtsch 46, 107–119 (2022). https://doi.org/10.1007/s12398-022-00322-7
Published:
Issue Date:
DOI: https://doi.org/10.1007/s12398-022-00322-7