Geeignete Online-Messtechnik zur Optimierung und Regelung von Biogasanlagen

Transkript

1 Geeignete Online-Messtechnik zur Optimierung und Regelung von Biogasanlagen Praxiserfahrungen und Konzepte für den optimalen Anlagenbetrieb C. Wolf, D. Gaida und M. Bongards, Fachhochschule Köln, Gummersbach Kurzfassung Der optimale Betrieb von Biogasanlagen mit hoher Biogasproduktion bei gleichzeitig hoher Prozessstabilität wird in Zukunft immer wichtiger, da steigende Rohstoff- und Substratpreise sowie zurückgehende Förderquoten den Kostendruck auf die Anlagenbetreiber deutlich erhöhen. Voraussetzung für solch einen optimalen Betrieb ist eine geeignete und entsprechend robuste Online-Messtechnik. Der Praxistest von Standard ph, Redoxpotenzial und TS Sonden an zwei landwirtschaftlichen und einer industriellen Biogasanlage zeigt, dass ein Einsatz in Biogasanlagen möglich, aber noch nicht optimal ist, da ein hoher Arbeitsaufwand durch regelmäßige Kalibrierung und Reinigung der Messgeräte anfällt. Darüber hinaus werden hier unterschiedliche Methoden zur Aufbereitung und Analyse von Online-Prozessdaten vorgestellt und an zwei Praxisbeispielen erläutert. Abschließend wird ein Regelungskonzept auf Basis eines dynamischen Simulationsmodells vorgestellt, mit dem Gewinnsteigerungen von mehreren hundert Euro pro Tag erreicht werden können. 1. Einleitung Die große Anzahl landwirtschaftlicher und industrieller Biogasanlagen (BGA) in Deutschland sowie die stetig zunehmende Auswahl an Substraten zur Beschickung dieser Anlagen, zeigt das große Potenzial der Biogastechnologie innerhalb Deutschlands und darüber hinaus [1]. Allerdings führen diese Entwicklungen zu weiteren Herausforderungen, die vor allem den Anlagenbetrieb betreffen. So muss der Anlagenbetrieb flexibler werden, sodass bei Bedarf schnell auf andere Substrate umgestellt werden kann und auch die Stabilität der Prozessbiologie muss auf Dauer garantiert werden können. Besonders bei landwirtschaftlichen BGA ist der Kostendruck meist enorm, sodass stetig steigende Substratkosten die Wirtschaftlichkeit der Anlagen massiv einschränken. In der Folge ist bei landwirtschaftlichen BGA eine hohe Anlagenauslastung und Biogasproduktion erforderlich, um einen nachhaltigen Betrieb der Anlagen zu ermöglichen. Bei industriellen BGA ist die Situation anders, da in den meisten Fällen Lebensmittel-, Haushaltsabfälle bzw. kommunale Abfälle verarbeitet werden, für deren Entsorgung bereits Gebühren anfallen und somit der Kostendruck deutlich niedriger ausfällt. Allerdings ist der Substratdurchsatz bei industriellen BGA ein zentrales Thema, da der Umsatz maßgeblich von der Menge an behandeltem Material abhängt. Somit steht hier nicht unbedingt eine hohe Biogasproduktion im Vordergrund, sondern vielmehr ein möglichst hoher Durchsatz bei gleichbleibend hoher Prozessstabilität. Der Schlüssel zu einer hohen Biogasproduktion bei minimalem Substrateinsatz bei landwirtschaftlichen BGAs sowie einem hohen Durchsatz bei maximaler Prozessstabilität bei industriellen BGAs liegt in der Überwachung des Vergärungsprozesses mit Online-Messtechnik und der Anwendung innovativer Optimierungs- und Regelungskonzepte. Im folgenden zweiten Abschnitt werden die Erfahrungen mit derzeit verfügbarer Online-Messtechnik an zwei landwirtschaftlichen und einer industriellen BGA vorgestellt und analysiert. Darauf aufbauend werden im dritten Abschnitt Möglichkeiten zur Auswertung und Analyse der Betriebsdaten von BGAs anhand von Beispielen aufgezeigt. Abschließend werden aktuelle Konzepte zur Prozessoptimierung und regelung beschrieben sowie deren Vorteile aufgezeigt. 2. Praxiserfahrungen mit Online-Messtechnik auf landwirtschaftlichen und industriellen BGA Der Einsatz von Online-Messtechnik im Biogasbereich, die sowohl robust als auch wirtschaftlich ist, begann vor ca. 5-6 Jahren mit ersten Untersuchungen an - am Markt verfügbaren - ph- und Redoxpotenzialsonden [2, 3]. Diese Untersuchungen zeigten, dass eine Online-Messung wichtiger Betriebsparameter effizient

2 realisiert werden kann und sich dadurch Vorteile für den Anlagenbetrieb ergeben. Des Weiteren zeigt eine Übersicht von Madsen et. al [4], dass gerade im Bereich Online-Messtechnik für Vergärungsanlagen in den letzten zwei Jahrzehnten viel geforscht und entwickelt wurde. Die Praxistauglichkeit der Messverfahren bleibt jedoch nach wie vor das Hauptproblem. Aus diesem Grund wurden aktuell am Markt erhältliche Messsysteme für ph-, Redoxpotenzial und Trockensubstanz (TS) an zwei landwirtschaftlichen BGA getestet. Aufgrund guter Erfahrungen in der Vergangenheit wurden die Messsysteme von Endress+Hauser (E+H) eingesetzt. Bei den BGA handelt es sich um eine 750kW Anlage in der Nähe von Vreden (BGA I) sowie eine 500kW Anlage bei Rhede/Ems (BGA II), die beide in erster Linie Maissilage, Gülle und zum Teil Grassilage einsetzen. Die folgenden Abbildungen zeigen die eingesetzten Sondensysteme sowie die Installationen an den beiden BGA. a. b. Abbildung 1: Installation der Online-Messtechnik im Bypass. a. BGA I, b. BGA II In Abbildung 1 wird deutlich, dass die Messsonden im Bypass und nicht direkt im Fermenter installiert wurden. Dies bringt zwei Vorteile mit sich. Zum einen wird jegliche Ex-Zonen Problematik umgangen und zum anderen können somit in der Pumpstation mehrere Ströme sequentiell gemessen werden, wodurch die Messsysteme effizient eingesetzt werden können. Der Praxistest in beiden Anlagen dauerte in beiden Anlagen ca. ein Jahr und die Messsonden sind noch heute erfolgreich auf beiden Anlagen in Betrieb. Allerdings ist eine regelmäßige Kalibrierung und Reinigung der Messgeräte (zweimal im Monat) unbedingt erforderlich, um eine ausreichende Messgenauigkeit zu gewährleisten. Abbildung 2 verdeutlicht sehr gut inwieweit die Messelektroden unter den Gegebenheiten in BGAs leiden. So ist bei der ph-sonde eine deutliche Verfärbung der Elektrode zu erkennen, die maßgeblich zu einer höheren Trägheit der Elektrode führte, und die Redoxpotenzialelektrode ist deutlich verformt, was jedoch keinerlei Auswirkungen auf die Messqualität hatte. a. b.

3 c. d. e. f. Abbildung 2: ph (a. & b.), Redoxpotenzial (c. & d.) und TS (e. & f.) Sonden nach einem Monat Dauerbetrieb, vor und nach intensiver Reinigung. Ein Vergleich zwischen Online-Messdaten und Labormesswerten zeigte bei beiden BGA eine gute Übereinstimmung nach der Kalibrierung der Messsonden. Beispielhaft sind hier die Vergleiche für die phund TS-Messung der BGA I aufgeführt. Abbildung 3: Vergleich von ph-messung online und Laboranalysen (BGA I)

4 Abbildung 4: Vergleich von TS-Messung online und Laboranalysen (BGA II) Im Falle der industriellen BGA mit einer Leistung von 1,1MW in der Nähe von Gummersbach wurden vergleichbare Messsonden der Firma Hach-Lange eingesetzt. Da es sich bei dieser BGA um eine Trockenfermentation nach dem Valorgaverfahren mit ca % TS handelt, waren hier die Anforderungen an eine robuste Online-Messtechnik besonders hoch. Ebenso wie im Falle der landwirtschaftlichen BGA wurden die Online-Sonden im Bypass zwischen den zwei Hauptfermentern installiert (siehe Abbildung 5). Abbildung 5: ph- und Redoxpotenzialsonde (links), TS-Sonde (rechts) Allerdings war lediglich die TS-Messung robust genug, um den Dauerbetrieb unbeschadet zu überstehen. Sowohl die ph-, als auch die Redoxpotenzialsonde waren bereits nach einer Woche defekt, da die Elektroden durch den hohen Feststoffanteil zertrümmert wurden. a. b. Abbildung 6: Beschädigte ph-elektrode (links), Redoxpotenzialelektrode (rechts) Alles in allem zeigen die durchgeführten Langzeitstudien an den BGA, dass robuste Online-Messtechnik am Markt verfügbar ist. Allerdings können gerade im Bereich der Anlagen mit hoher TS-Konzentration

5 Schwächen in Bezug auf die Robustheit der Messsysteme auftreten. Darüber hinaus haben sich die Kalibrier- und Reinigungsintervalle als unvorteilhaft für den Anlagenbetreiber herausgestellt. Hier wäre ein vollautomatisiertes Reinigungs- und Kalibriersystem deutlich vorzuziehen. Ein solches, neuartiges System wird gerade von der FH Köln und den Berliner Unternehmen Knick und art photonics im Rahmen des ZIM- Projektes INNO-MIR entwickelt. Abschließend bleibt festzuhalten, dass die Messdatenerfassung lediglich der erste Schritt zur Anlagenüberwachung ist. Eine nachfolgende Analyse und Beurteilung der Daten ist unbedingt erforderlich. 3. Mess- und Betriebsdatenanalyse Die Voraussetzung für eine fundierte Analyse von Mess- und Betriebsdaten ist eine gute Datenaufbereitung, die folgende Schritte umfassen sollte. Abbildung 7: Wesentliche Vorverarbeitungsschritte einer Datenaufbereitung Vor allem Schritt 1, 3 und 4 sind besonders wichtig, damit die Ergebnisse einer Datenanalyse nicht verfälscht werden und ein direkter Vergleich der Datenreihen miteinander überhaupt erst möglich ist. Gerade bei landwirtschaftlichen BGA kommt es sehr häufig vor, dass Betriebsdaten nicht mit gleicher Schrittweite aufgezeichnet werden (z.b. Substratmengen und Methankonzentration), wodurch es zu Problemen bei der Auswertung kommen kann. Auf Basis der aufbereiteten Daten kann somit die Datenanalyse durchgeführt werden. Im Folgenden werden die gängigsten Verfahren kurz tabellarisch aufgeführt. Bei den meisten Methoden (in diesem Fall) handelt es sich um Verfahren aus den Bereichen der Computational Intelligence (CI) und des Machine Learning (ML), die besonders für die Analyse von mehrdimensionalen und nichtlinearen Daten sind. Tabelle 1: Übersicht der am häufigsten verwendeten Verfahren zur Analyse von Prozess- und Betriebsdaten bei BGA Analyseverfahren Anwendung statistische Kennzahlen einfache Untersuchung der Dynamik des (Mittelwert, Standardabweichung, Extremwerte, etc.) Messsignals Regression (linear und nichtlinear) Erkennen von Zusammenhängen, Partial Least Squares Regression (PLS) Sensitivitätsanalyse Feature Selection Regression (FSR) Vergleich des Signalverlaufs, Erkennen von Korrelation, Kreuzkorrelation Cluster-Methoden (k-means, Self-organising Maps (SOM) [5]) Hauptkomponentenanalyse (PCA) Random Forest [6] Support Vector Regression/Machines (SVR und SVM) [7] Neuronale Netze Generalized Discriminant Analysis (GerDA) [8] Abhängigkeiten Identifikation von Prozess- und Betriebszuständen sowie anormalen Zuständen, Ausreißererkennung Identifikation von relevanten Messgrößen, Datenreduzierung, Detektion von Messfehlern und Ausreißern Sensitivitätsanalyse und Klassifikation von Anlagenzuständen, Vorhersage von Prozessveränderungen Klassifikation von Betriebszuständen, Entwicklung von Software-Sensoren Vorhersage von Betriebszuständen auf der Basis von Vergangenheitswerten Dimensionsreduzierung der Daten, Identifikation der relevanten Messgrößen

6 Praxisbeispiele Die folgenden zwei Beispiele zeigen die Ergebnisse einer einfachen Datenanalyse für Betriebsdaten einer landwirtschaftlichen und einer industriellen BGA. Dabei wurde zum einen mit k-means Clustering gearbeitet und zum anderen lediglich mit Datenaufbereitungsmethoden. Im ersten Fall konnte bei der landwirtschaftlichen BGA I nachgewiesen werden, dass Betriebsprobleme immer bei erhöhtem TS und leicht abnehmendem ph-wert auftreten. Dies war ohne die Anwendung von Clustermethoden nicht zu erkennen, da besonders die Veränderungen beim ph-wert (± 0,2-0,4) relativ gering ausfielen. Abbildung 8: Vergleich der Biogasproduktion und der Methankonzentration im Biogas zum ph-wert und zum TS-Gehalt von BGA I Es ist deutlich erkennbar, dass die Mittelpunkte der unteren Cluster, welche einer geringeren Biogasproduktion sowie einer geringeren Methankonzentration im Biogas entsprechen, gegenüber den übrigen Clustern verschoben sind. Somit führen hohe TS-Gehalte und niedrige ph-wert in diesem Fall zu einer Hemmung des Biogasprozesses. Nach weiteren Untersuchungen konnte die Ursache für diesen Effekt ebenfalls identifiziert werden. Erhöhte TS-Konzentrationen größer 9% führten zu einer Verlangsamung des Rührwerks, wodurch sich die Durchmischung innerhalb des Hauptfermenters massiv verschlechterte. Dies führte im Gegenzug zu einem Verbrauch des vorhandenen Carbonatpuffers, was zur Absenkung des ph- Wertes führte und zu einer Hemmung der Methanogenese und somit der Biogasproduktion. Am Beispiel der industriellen BGA zeigt sich, dass eine gute Datenaufbereitung oftmals eine detaillierte Datenanalyse überflüssig macht. So konnten die Daten bereits nach den Schritten 1-4 aus Abbildung 7 genutzt werden, um die Gründe für einen völligen Zusammenbruch der Biogasproduktion in 2007 hinreichend zu identifizieren.

7 Abbildung 9: Durchsatz an kommunalem Bioabfall im Vergleich zur Biogasproduktion zwischen 2003 und 2007 Betrachtet man den Durchsatz, so ist eine deutliche Steigerung des Substratdurchsatzes in den Jahren 2005, 2006 und 2007 zu beobachten. Dieser starke, kontinuierliche Anstieg führte schließlich zu einer Überlastung der Prozessbiologie, sodass es zu einer Überproduktion an organischen Säuren kam. Der Anstieg der organischen Säuren in den beiden Fermentern der BGA ist in der folgenden Abbildung dargestellt. Die Versäuerung des Fermenters ist eindeutig zu erkennen und wird durch die starke Abnahme der Pufferkapazität weiter bestätigt. Abbildung 10: Vergleich der organischen Säurekonzentration zur Biogasproduktion zwischen 2003 und 2007 Abbildung 11: Vergleich der Pufferkapazität zur Biogasproduktion zwischen 2003 und 2007 Die Praxisbeispiele zeigen, dass mit einer guten Datenaufbereitung und den richtigen Analysemethoden sehr gute Ergebnisse erzielt werden, die für den Anlagenbetreiber von hoher Relevanz sind.

8 4. Konzept zur Prozessoptimierung und -regelung Der Einsatz modernster Online-Messtechnik zur Prozessüberwachung ist der erste Schritt hin zu einem automatisierten und optimal geregelten Anlagenbetrieb. Allerdings muss ein nächster Schritt folgen, in dem die Prozessdaten für eine Optimierung des Anlagenbetriebs genutzt werden. Hierbei haben zwei Aspekte besonders hohe Priorität: Zum einen die Erhöhung der Anlageneffizienz und Kostenreduzierung und zum anderen die einfache Bedienbarkeit sowie eine Reduzierung des Arbeitsaufwandes vom Anlagenbetreiber. Betrachtet man das komplette Anlagensystem Biogasanlage, so lässt sich eine Biogasanlage in erster Linie durch die Substratzufuhr steuern und regeln. Ziel eines Konzepts zur Optimierung und Regelung von Biogasanlagen muss folglich sein, die Substratbeschickung so zu regeln, dass eine optimale Biogasproduktion bei hoher Prozessstabilität erreicht wird. Vor diesem Hintergrund bietet der Einsatz von dynamischen Simulationsmodellen neue Möglichkeiten zur Regelung von komplexen Prozessen. So kann mit Hilfe des Anaerobic Digestion Model No. 1 [9] eine komplette Biogasanlage am Rechner abgebildet und simuliert werden. Dies ermöglicht den Test unterschiedlicher Substratbeschickungen auf ihre Auswirkungen auf den Anlagenbetrieb, sodass eine optimale Substratzufuhr für den aktuellen Betriebszustand der Anlage bestimmt werden kann. Die Verwendung von Simulationsmodellen zur vorausschauenden Regelung von Anlagen bezeichnet man als Model Predictive Control (MPC) [10]. Dabei wird auf Basis von Online-Messwerten y der aktuelle Betriebszustand der Biogasanlage mit einem sogenannten Zustandsschätzer ˆx bestimmt. Dieser Anlagenzustand wird dann in einem Simulationsmodell der Anlage benutzt, um verschiedenste Substratbeschickungen zu testen, um die optimale Substratzufuhr u zu ermitteln. Dafür können verschiedene Gütekriterien frei nach den Wünschen des Anlagenbetreibers definiert werden. Abbildung 12: Funktionsweise des nichtlinearen MPC (NMPC) für Biogasanlagen Auf dieser Weise kann ein nachhaltiges Fütterungsregime für Biogasanlagen umgesetzt werden, da auch bei wechselnder Verfügbarkeit von Substraten automatisch auf ideale Alternativen gewechselt werden kann, so dass ein kontinuierlicher Anlagenbetrieb auf hohem Niveau erreicht wird. In Abbildung 13 wird die Regelung des Substratmixes mit wechselnder Substratverfügbarkeit visualisiert. Als Regler wird der NMPC aus Abbildung 12 genutzt, welcher den optimalen Substratmixverlauf für ein validiertes Simulationsmodell der landwirtschaftlichen Biogasanlage BGA I bestimmt [11]. Durch die Änderung des Substratgemisches liegt zwischen dem Start- und Endsubstratmix in diesem Fall eine Gewinnspanne von etwa 650 pro Tag.

9 Abbildung 13: Regelung der Substratzufuhr. Zu Simulationsbeginn ist der Substratmix schlecht, welches durch die warmen Farben signalisiert wird. Die Regelung regelt die Biogasanlage automatisch, so dass ein optimaler Substratmix erreicht wird. Jedes Quadrat symbolisiert ein durch den Regler evaluiertes Substratgemisch. 5. Zusammenfassung Die Praxiserfahrungen in der Anwendung von Online-Messtechnik auf landwirtschaftlichen und industriellen BGA zeigen, dass robuste Messsysteme, insbesondere für ph, Redoxpotenzial und TS verfügbar sind. Allerdings ist deren Einsatz weiterhin mit viel Arbeitsaufwand durch regelmäßige Reinigung und Kalibrierung verbunden. An dieser Stelle ist noch viel Optimierungspotenzial vorhanden. Dennoch bietet der Einsatz von Online-Messtechnik einen entscheidenden Vorteil bei der zeitnahen Prozessüberwachung und der Früherkennung von anormalen Betriebszuständen. Hierfür ist allerdings eine Messdatenaufbereitung und eingehende Analyse unbedingt notwendig, da feste Grenzwerte bei BGA eher selten vorzufinden sind und somit das Langzeitverhalten zu analysieren ist. Abschließend zeigt das Konzept zur optimalen Substratregelung von BGA mittels MPC, dass, aufbauend auf vorhandener Online-Messtechnik, der Anlagenbetrieb nachhaltig optimiert werden kann. Das Optimierungsergebnis für BGA I zeigt, dass eine deutliche Effizienzsteigerung des Anlagenbetriebs erreicht werden konnte. Dennoch steckt die Entwicklung von Regelungskonzepten, welche in der Praxis anwendbar sind, immer noch in den Kinderschuhen, sodass noch großes Optimierungspotenzial vorhanden ist.

10 Literaturverzeichnis [1] Fachverband Biogas e.v., Biogas Segment Statistics 2011: Development of the number of biogas plants and the total installed electric output in megawatt [MW] (as of 6/2012) [online]. Verfügbar unter: 12_Biogas%20Branchenzahlen%202011_eng.pdf [Accessed 25 Sep 2012]. [2] Wiese, J. und Haeck, M., Instrumentation, control and automation for full-scale manure-based biogas systems. Water Science & Technology, 54 (9), 1 8. [3] Wiese, J. and Kujawski, O., Operational results of an agricultural biogas plant equipped with modern instrumentation and automation. Water Science & Technology, 57 (6), 803. [4] Madsen, M., Holm-Nielsen, J.B. and Esbensen, K.H., Monitoring of anaerobic digestion processes: A review perspective. Renewable and Sustainable Energy Reviews, 15 (6), [5] Kohonen, T., Self-organizing maps. Berlin ;, New York: Springer. [6] Liaw, A. and Wiener, M., Classification and Regression by randomforest. R News, 2 (3), [7] Cristianini, N. and Shawe-Taylor, J., An introduction to support vector machines: And other kernel-based learning methods. Cambridge ;, New York: Cambridge University Press. [8] Stuhlsatz, A., Lippel, J. and Zielke, T., Feature Extraction With Deep Neural Networks by a Generalized Discriminant Analysis. IEEE Transactions on Neural Networks and Learning Systems, 23 (4), [9] Batstone, D.J., Keller, J., Angelidaki, I., Kalyuzhnyi, S.V., Pavlostathis, S.G., Rozzi, A., Sanders, W.T.M., Siegrist, H. und Vavilin, V.A., Anaerobic digestion model no. 1 (ADM1): Scientific and technical Report No. 13. London: IWA. [10] Gaida, D., Wolf, C., Meyer, C., Stuhlsatz, A., Lippel, J., Bäck, T., Bongards, M. and McLoone, S., State estimation for anaerobic digesters using the ADM1. Water Science & Technology, 66 (5), [11] Gaida, D., Sousa Brito, A.L., Wolf, C., Bäck, T., Bongards, M. und McLoone, S., Optimal Control Of Biogas Plants Using Nonlinear MPC. IET Irish Signals and Systems Conference (ISSC 2011).