Effizienzsteigerung durch modellbasierte Optimierung und Regelung von Biogasanlagen

Größe: px

Ab Seite anzeigen:

Download "Effizienzsteigerung durch modellbasierte Optimierung und Regelung von Biogasanlagen"

Silke Geisler
vor 6 Jahren
Abrufe

1 Fachhochschule Köln Campus Gummersbach Effizienzsteigerung durch modellbasierte und von Biogasanlagen Daniel Gaida, M.Sc. & Dipl.-Ing. Christian Wolf Offenburg,

2 GECO C Gummersbach Environmental Computing Center GECO C Forschungsgruppe am Institut für Automation & Industrial IT Prof. Dr.-Ing. Michael Bongards

3 Substrate Biogasanlage & Optimale Biogasproduktion? t/d? /d

4 einer Biogasanlage des Fermentationsprozesses der Substrate GECO C

5 ADM1 (Anaerobic Digestion Model No. 1) Batstone et al. 2002

6 des Fermentationsprozesses ADM1 Substrate ADM1: 37 Zustandsgrößen Fermenter 25 Gleichungen Biogas d dt CH 4 CO 2 H 2

7 einer Biogasanlage Praktische Umsetzung in MATLAB/Simulink Gaida et al. 2011a

8 Modellbasierte Substratmixoptimierung Übersicht Definition der svariablen Substratzufuhr Rezirkulation Definition der Gütefunktion Lösung des sproblems durch globale, stochastische smethoden Genetische Algorithmen (GA) Partikel-Schwarm (PSO) CMAES, ISRES, DE

9 Modellbasierte Substratmixoptimierung Überblick Substrate Biogasanlage & Optimale Biogasproduktion? t/d? /d

10 Modellbasierte Substratmixoptimierung Gütefunktion Definition der Gütefunktion: Kosten-Nutzen Analyse (EEG 2009, 2012) Substrat-, Energiekosten Erlös der erzeugten elektrischen und thermischen Energie Randbedingungen ph Wert im Fermenter FOS/TAC Wert im Fermenter (Schoen et al. 2009) Maximale Trockensubstanz der Substratzufuhr Minimaler Methananteil des Biogases Güllebonus Stabilitätskriterium

11 Modellbasierte Substratmixoptimierung Maissilage [t/d] Gülle [m³/d] Grassilage [t/d] Güte -0,1-0,3-0,2 In Erstellung der neuen Menge der Substratgemische unterscheiden sich die Methoden: Genetische Algorithmen (MATLAB 2010) Partikel-Schwarm (Birge 2006) Covariance Matrix Adaption Evolution Strategy (Hansen 2008) Wolf et al. 2007, 2009

12 Modellbasierte Substratmixoptimierung Ergebnisse

13 Modellbasierte Substratmixoptimierung Ergebnisse : Das optimale Substratgemisch für einen optimalen Langzeitbetrieb des Modells der Biogasanlage kann bestimmt werden! Damit online auf Substratänderungen, wie Verfügbarkeit Qualität reagiert werden kann, wird dieser Ansatz zu einer Modellbasierten der Substratzufuhr weiter entwickelt.

14 Modellbasierte der Substratzufuhr Reglerstruktur Biogasanlage Nichtlineare modellbasierte prädiktive (NMPC) Zustandsschätzer Gaida et al. 2011b, c

15 Modellbasierte der Substratzufuhr Ergebnis für synthetische Experimente Anwendung des NMPC auf ein Simulationsmodell: Start Ziel ca. 650 /Tag Gewinn zwischen Start- und Zielzustand Sousa Brito 2011

16 Zusammenfassung Modellbasierte und der Substratzufuhr ermöglicht Effizienzsteigerung und Überwachung/Beobachtung von landwirtschaftlichen Biogasanlagen zur umweltfreundlichen Energieerzeugung Die Online- der Substratzufuhr ermöglicht ein nachhaltiges Fütterungsregime, welches automatisch auf eine wechselnde Substratverfügbarkeit reagiert

17 Referenzen D. J. Batstone, J. Keller, I. Angelidaki, S. V. Kalyuzhnyi, S. G. Pavlostathis, A. Rozzi, W. T. M. Sanders, H. Siegrist, and V. A. Vavilin, Anaerobic Digestion Model No.1 (ADM1). London: IWA Task Group for Mathematical Modelling of Anaerobic Digestion Processes, IWA Publishing, B. Birge, Particle Swarm Optimization Toolbox: MATLAB, R. Findeisen and F. Allgöwer, An introduction to nonlinear model predictive control, in 21st Benelux Meeting on Systems and Control, D. Gaida, C. Wolf, M. Bongards, and T. Bäck, MATLAB Toolbox for Biogas Plant Modelling and Optimization, in Progress in Biogas II -Biogas production from agricultural biomass and organic residues, Stuttgart, 2011a, pp D. Gaida, A. L. Sousa Brito, C. Wolf, T. Bäck, M. Bongards, and S. McLoone, Optimal Control Of Biogas Plants Using Nonlinear MPC, IET Irish Signals and Systems Conference (ISSC 2011), June 2011b. D. Gaida, C. Wolf, C. Meyer, A. Stuhlsatz, J. Lippel, T. Bäck, M. Bongards, and S. McLoone, State Estimation for Anaerobic Digesters using the ADM1, International IWA-Symposium on Anaerobic Digestion of Solid Waste and Energy Crops, 2011c. N. Hansen, Covariance Matrix Adaptation Evolution Strategy: MATLAB Production Code, 3rd ed, MATLAB, Global Optimization Toolbox, R2010a, M. A. Schoen, D. Sperl, M. Gadermaier, M. Goberna, I. Franke-Whittle, H. Insam, J. Ablinger, and B. Wett, Population dynamics at digester overload conditions, Bioresource Technology, vol. 100, no. 23, pp , A. L. Sousa Brito, Optimization of full-scale Biogas Plants using Nonlinear Model Predictive Control, Master Thesis, Cologne University of Applied Sciences, C. Wolf, M. Bongards, and S. McLoone, Simulation-based feed-optimization of medium-sized agricultural biogas plants, 11th IWA World Congress on Anaerobic Digestion: Bioenergy for our future, Brisbane, Australia, September C. Wolf, S. McLoone, and M. Bongards, Biogas Plant Control and Optimization Using Computational Intelligence Methods, at - Automatisierungstechnik, vol. 57, no. 12, pp , 2009.

18 Kontakt: Vielen Dank für Ihr Interesse!

Ähnliche Dokumente

Optimale Regelung der Substratzufuhr von landwirtschaftlichen Biogasanlagen

Optimale Regelung der Substratzufuhr von landwirtschaftlichen Biogasanlagen Fachhochschule Köln Campus Gummersbach ifak Workshop: Steuerung, und Simulation von Biogasanlagen Optimale der Substratzufuhr von landwirtschaftlichen Biogasanlagen Daniel Gaida, M.Sc. & Dipl.-Ing. Christian