Skip to main content

Modellierung der Betriebsweise einer GuD-Anlage mithilfe neuronaler Netze

Modelling of the Operation Process for a Combined Cycle Power Plant Using Neural Networks

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.

This is a preview of subscription content, access via your institution.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5
Abb. 6
Abb. 7
Abb. 8
Abb. 9
Abb. 10
Abb. 11

Literatur

  • Chauvin Y, Rummelhart D (1995) Backpropagation: theory, architectures, and applications. Erlbaum, Hillsdale

    Google Scholar 

  • Chollet F (2018) Deep Learning mit Python und Keras : das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek, 1. Aufl. mitp, (K. Lorenzen, Übers.))

    Google Scholar 

  • 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

    Book  Google Scholar 

  • 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

    Book  Google Scholar 

  • Paaß G, Hecker D (2020) Künstliche Intelligenz. Springer Vieweg, Berlin, Heidelberg

    Book  Google Scholar 

  • Pfleiderer C, Petermann H (2005) Strömungsmaschinen, 7. Aufl. Springer, Berlin, Heidelberg

    Google Scholar 

  • 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

    Book  Google Scholar 

  • Schellong W (2016) Analyse und Optimierung von Energieverbundsystemen. Springer Vieweg, Berlin, Heidelberg

    Book  Google Scholar 

  • Strauß K (2006) Kraftwerkstechnik : zur Nutzung fossiler, nuklearer und regenerativer Energiequellen, 5. Aufl. Springer, Berlin, Heidelberg

    Google Scholar 

  • Zahoransky R, Allelein H‑J (2015) Energietechnik : Systeme zur Energieumwandlung; Kompaktwissen für Studium und Beruf, 7. Aufl. Springer Vieweg, Wiesbaden

    Book  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Wolfgang Schellong.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

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

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s12398-022-00322-7