RACE

Udfordring:  

I dag er udfordringen i fjernvarmesektoren, at data kun kan anvendes i isolerede siloer eller dedikerede systemer, der ikke er forberedt til dataudveksling, som er nødvendig for at dele data og udnytte Machine Learning mellem systemer. Eksisterende leverandører i fjernvarmesektoren anvender i dag proprietære løsninger med vendor lock-in, hvilket reducerer den fleksibilitet og systemkobling, som er nødvendig. Dette er en barriere for opnåelse af energieffektivitet og energibesparelser i hele fjernvarmesystemet, da opnåelse af det næste niveau af optimeringer kræver realtidsdataanalyser.

Løsning:  

Dette projekt adresserer udfordringen med at erhverve realtidstryk og flowdata fra adskillige nye målepunkter i fjernvarmenettet og få indsigt med Machine Learning genererede forudsigelige Digital Twins, der yderligere letter sektorkoblingens operationelle optimering via adaptive AI-kontrolsystemer.

Projektets hovedleverance: 

• Udvikle en fleksibel og moderne fjernvarmeplatform, der minimerer afhængigheden af fossil energi.
• Udvikle Machine Learning & AI-kontrolsystemer, der bruger realtidsdata fra forskellige enheder og systemer til at optimere den daglige drift til nær realtidsstyring.
• Demonstrere og dokumentere, at løsningen optimerer energiproduktionen og distributionen og kan spare 10% af fjernvarmeselskabers årlige energiforbrug sammenlignet med eksisterende fjernvarmeforsyninger, der ikke har data fra realtidsmålepunkter og systemkobling med AI-kontrol.

Forventet resultat: 

Projektet demonstrerer et realtidsstyret fjernvarmesystem med fjernstyrede omløbere gennem mobilnettet ved at bruge en nyligt patenteret realtidsflowsensor og HydroState Kontrolboks, en åben og skalerbar cloudbaseret dataplatform samt anvendelse af avancerede AI-kontrolteknikker på adskillige realtids- såvel som eksterne datakilder. Data og styring opsamles af omløberne og transmitteres trådløst til og fra fjernvarmeværkets overvågnings- og kontrolcenter for optimeret styring af temperaturer, flow og tryk.

Afhængig af fjernvarmeværkernes eksisterende styringssystemer vil løsningen kunne generere besparelsespotentialer på mellem 5% ved i forvejen optimerede systemer til op til 15% ved ældre og mindre optimerede systemer.

Problemejer:

Brønderslev Forsyning

Problemløsere:

Glaze ApS
Agerkrantz Control
Develco
Aalborg Universitet Energi
Aalborg Universitet DEIS

Projektvideo