Bedarfsermittlung und Optimierung des Trinkwarmwasserbezugs in Fernwärmenetzen
sowohl für Neubauten als auch im Bestand nimmt die Trinkwarmwasserbereitung eine immer größere Rolle in der Optimierung von Wärmenetzen ein. Ein Grund dafür ist, dass in neuen Neubauten der relative Anteil des Trinkwassers am gesamten Wärmebedarf steigt. Dies muss in den Regelungen der Übergabestationen beachtet werden. Zum anderen ist die Warmwasserbereitung mit Speichersysteme häufig für hohe Rücklauftemperaturen verantwortlich, welche im Betrieb von Wärmenetzen vermieden werden sollten. In der ersten Ausgabe unseres Research Newsletters im Jahr 2023 möchten wir daher die wesentlichen Aussagen zweier Artikel zusammenfassen, welche sich stärker mit der Warmwasserbereitung in Fernwärmesysteme beschäftigen.
Der Artikel A methodology to estimate space heating and domestic hot water energy demand profile in residential buildings from low-resolution heat meter data von D. Leiria et al. stellt eine neue Methodik vor, wie aus einem einzigen Wärmemengenzähler des Fernwärmeanschlusses die Nutzung von Trinkwarmwasser und Raumwärme disaggregiert werden können. Das Besondere an dieser neuen Methodik ist, dass keine vertiefenden Kenntnisse zu den Gebäuden, den Nutzern oder deren Verhaltensmustern bekannt sein müssen. Es werden unterschiedliche Algorithmen zur Disaggregierung angewendet und anhand von 28 dänischen Wohnungen getestet. Für diese Wohnungen liegen zusätzlich die Bedarfe getrennt vor, sodass sich dieser Datensatz sehr gut zur Validierung der Methodik eignet. Es kann gezeigt werden, dass die bisher in Dänemark angewendete Methodik, um den jährlichen Trinkwarmwasserbedarf abzuschätzen, mit der neuen Methodik deutlich verbessert werden kann.
In dem Artikel Staged control of domestic hot water storage tanks to support district heating efficiency schlagen A. Tahiri et al. zwei neue Regelungsstrategien zur Beladung von Trinkwarmwasserspeichern in Übergabestationen für Nahwärmenetz vor. Die Motivation liegt darin, dass eine ineffiziente und nicht optimierte Speicherbeladung oft für hohe Rücklauftemperaturen und damit einen ineffizienten Wärmenetzbetrieb zur Folge hat. Die erste Regelungsstrategie nutzt ein Smart Meter Signal, die zweite kommt ohne fortschrittliche Messtechnik, lediglich mit einem zusätzlichen Sensor im Speicher aus. Die zweite Regelungsstrategie wird zuerst mithilfe eines Modelica-modells validiert und optimiert, um dann in einem realen Gebäude angewendet zu werden. Dabei konnte die Rücklauftemperatur im Schnitt um 7 K und der Volumenstrom sogar um ca. 24 % reduziert werden.
Disaggregation von Smart Meter Daten in Trinkwarmwasser- und Heizbedarfsprofile
Das Ziel von D. Leiria et al. ist es neue Disaggregationsmethoden zu entwickeln, welche als Eingangsdaten lediglich stündliche Messdaten (z. B. von Smart Metern) und die Außentemperatur am Standort benötigen. Messdaten der Außentemperaturen stehen in Deutschland z. B. durch den DWD öffentlich zur Verfügung. Zu Entwicklung und Validierung der Methodik stehen den Forschenden detaillierte Daten von 28 Wohnungen in Dänemark zur Verfügung. Die Außentemperaturen am Standort sind ebenfalls durch den meteorologischen Dienst in Dänemark verfügbar. Jede Wohnung ist mit zwei Wärmemengenzähler ausgestattet, die zum einen den reinen Heizwärmebedarf und den gesamten Wärmebedarf messen. Aus diesen Messdaten kann zur Validierung der Trinkwarmwasserbedarf errechnet und genutzt werden.
Es werden vier unterschiedliche Ansätze getestet, um die beiden Bedarfsarten aus einer Messzeitreihe zu berechnen. Der erste Ansatz nutzt die Hypothese, dass sich der Wärmebedarf über den Tag nur wenige verändert, da die Änderungen in der Außentemperatur über einen Tag nur wenig ausgeprägt sind. Somit können alle Spitzenbedarfe dem Trinkwarmwasserbedarf zugeordnet werden. Die 7 höchsten Bedarfe werden als Trinkwarmwasserbedarfe identifiziert. Zur Disaggregation werden mit Hilfe der restlichen 17 Datenpunkte des Tages der Heizwärmebedarf berechnet. Die Subtraktion dieser beiden Werte ergibt dann den Trinkwarmwasserbedarf. Die zweite Methode funktioniert ähnlich, jedoch wird vorausgesetzt, dass der höchste Trinkwarmwasserbedarf zu bestimmten Tageszeiten stattfindet (z. B. morgens, mittags, abends). Diese Zeiten werden als Trinkwarmwassernutzung identifiziert und es wird so vorgegangen wie im ersten Ansatz. Zusätzlich können noch unterschiedliche Tage (z. B. werktags und Wochenende) berücksichtigt werden. Die dritte Methode nutzt den Unterschied im Bedarf zwischen Winter- und Sommerperiode. Es wird geschätzt, dass der Trinkwarmwasserbedarf über das Jahr nur wenig Schwankungen hat und so der Warmwasserbedarf im Sommer auf das Profil im Winter übertragen. Im vierten Ansatz werden alle drei zuvor angewendeten Ansätze kombiniert, um die Zeitpunkte mit Trinkwarmwasserbedarf zu identifizieren.
Das Ergebnis aller zuvor dargestellten Methoden sind Zeitreihen, bei denen Zeitpunkte mit primären Trinkwarmwasserbedarf identifiziert wurden. Im nächsten Schritt werden diese Datenpunkte mit „NA-Werten“ ersetzt und der Heizwärmebedarf für die fehlenden Daten wird ermittelt. Dazu werden fünf unterschiedliche Methoden getestet. Diese reichen von einer einfachen linearen Interpolation, über einen gleitenden Mittelwert, bis hin zu komplexeren Machine-Learning-Verfahren wir einem Kalman-Filter, Support-Vector-Regressionen und der Kombination der beiden Ansätze.
Die Anwendung auf die oben beschriebenen Daten zeigt, dass die besten Ergebnisse erzielt werden, wenn die 7 höchsten Tagesbedarfe als Trinkwarmwasserbedarfe identifiziert werden. Hierbei werden in etwa 80 % der Zeitpunkte mit Trinkwarmwasserbedarf richtig identifiziert. Die Bedarfsschätzung des Heizwärmebedarfs gelingt am besten mit der Kombination der beiden Machine-Learning-Verfahren. Die Methode zeigt vielversprechende Ergebnisse. Es konnte gezeigt werden, dass für die 28 Wohnungen der Fehler zur Bestimmung des Heizwärmebedarfs im Bereich von +/- 10 % und der des Trinkwarmwasser im Bereich von +/- 15 % liegt.
Optimierung der Trinkwarmwasserspeicher in Fernwärmenetzen
A. Tahiri et al. entwickeln in dem Beitrag eine neue, optimierte Regelungsstrategie für die Beladung der Trinkwarmwasserspeicher in Fernwärmeübergabestationen. Normalerweise regelt ein Thermostat den Trinkwarmwasser-Durchfluss durch das Heizregister des Speichers, oft mit einem Proportional-Integral-Regler, um eine Solltemperatur an der obersten Stelle des Speichers zu halten. Die zwei neuen Strategien zielen darauf ab, eine Überladung des Speichers zu verhindern, d.h. Situationen mit übermäßigem Wärmeeintrag von der Primärseite zu minimieren. Die erste Strategie nutzt dafür hochaufgelöste Messdaten des Gebäudeautomationssystems, insbesondere den Wärme- und Trinkwarmwasserbedarf. Die zweite Methodik benötigt gegenüber konventionellen Regelungen lediglich einen weiteren Temperatursensor im Trinkwarmwasserspeicher. Beide Strategien werden in Modelica modelliert, simuliert und bewertet. Die zweite Regelungsstrategie wird in einem Mehrfamilienhaus in Dänemark angewendet und validiert.
Die erste Strategie nutzt die detaillierte Messung des Trinkwarmwasserbedarfs, um eine Bedarfsgerechte Beladung des Speichers sicherzustellen. Dazu wurden vier unterschiedliche Bedarfssituationen identifiziert. Zusätzlich werden zwei unterschiedliche Zustände definiert, zum einen eine geringe Temperaturdifferenz, bei der nur die notwendige Leistung zur Temperaturerhöhung von 50 °C bis 55 °C benötigt wird und einen Zustand bei der die Temperaturdifferenz zwischen der Kaltwassertemperatur und der Nutztemperatur notwendig ist. Der Übergang zwischen den Zuständen wird durch einen Grenzwert beschrieben.
- Zeiten ohne Trinkwarmwasserbedarf: In diesen Zeiten muss lediglich der Energieaufwand der Zirkulationsverluste gedeckt werden.
- Zeiten mit geringem Trinkwarmwasserbedarf: Zusätzlich zu den Zirkulationsverlusten muss nun auch der Trinkwarmwasserbedarf ausgeglichen werden. Da es sich um einen geringen Bedarf handelt, muss lediglich die Leistung mit geringer Temperaturdifferenz bereitgestellt werden.
- Zeiten in denen der Trinkwarmwasserbedarf dem Grenzwert entspricht: Im Gegensatz zum zweiten Zustand muss die Leistung bei höherer Temperaturdifferenz bereitgestellt werden. Sie entspricht aber weiterhin genau der Energie für Trinkwarmwasser und Zirkulationsverlusten.
- Zeiten in denen ein hoher Trinkwarmwasserbedarf vorliegt: Bei hohem Trinkwarmwasserbedarf wird die Leistung der Beladung begrenzt. So wird das gesamte Speichervolumen ausgenutzt, die Spitzenleistungen werden verringert und ein Anstieg der Rücklauftemperaturen bei hohen Leistungen vermieden.
Die zweite Strategie kommt mit weniger Messtechnik aus. Der genaue Trinkwarmwasserbedarf muss nicht zu jedem Zeitpunkt bekannt sein. Dafür wird im oberen Drittel des Speichers ein zusätzlicher Sensor eingebracht, nach welchem die Beladung (d. h. Ventilstellung) des Speichers proportional geregelt wird. Die Steigung des Proportionalreglers wird in vier Bereiche eingeteilt, um den unterschiedlichen Bedarfssituationen (siehe oben) gerecht zu werden. Je niedriger die Temperatur des Sensors, desto höher die Leistung mit dem der Speicher wieder beladen wird.
In einer Simulationsstudie werden die beiden Regelungsstrategien getestet und weiter optimiert. Schließlich wird die zweite Strategie in einem Mehrfamilienhaus in Dänemark implementiert. Die Ergebnisse einer 45-tägigen Testphase, in der die konventionelle Regelung mit der neuen innovativeren Methode abwechselnd angewendet wurden, zeigen, dass die neue Regelungsstrategie die Rücklauftemperatur des Wärmenetzes im Mittel um 7 K senkt. Der Volumenstrom wird um etwa 24 % gesenkt. Es konnten mit der neuen Methodik stellenweise Rücklauftemperaturen unter 30 °C erreicht werden, an Tagen mit viel Trinkwarmwasserbedarf (und somit geringerem Anteil der Zirkulation) konnten sogar Temperaturen unter 25 °C realisiert werden. A. Tahiri et al. betonen den großen Mehrwert der Simulationsstudie, welche sowohl die Implementierung als auch die Ermittlung der optimalen Parameter vereinfacht.
Weiterführende Informationen
In beiden Untersuchungen werden hochaufgelöste Daten von Smart Metern im Fernwärmebereich eingesetzt. Für den ersten Artikel werden stündliche Messwerte eingesetzt, welche es ermöglichen den Bedarf zum Beispiel für Bedarfssimulationen zu ermitteln. Für die Optimierung und Validierung der Regelungsstrategien im zweiten Paper werden sogar noch höher aufgelöste Zeitreihen verwendet. Dies zeigt, dass zum besseren Verständnis und zur Optimierung von Fernwärmenetzen zeitlich höher aufgelöste Messdaten benötigt werden. Wir freuen uns sehr, dass unser heatbeat Digital Twin in diesem Jahr genau dazu eingesetzt wird. Dazu arbeiten wir zusammen mit den Stadtwerken Aachen, der regioIT und der RWTH Aachen im Forschungsprojekt FunkSTA an der Digitalisierung aller Übergabestationen im Aachener Fernwärmenetz.
Beide Artikel beleuchten das komplexe Thema der Optimierung von Übergabestationen und den dafür notwendigen Eingangsdaten (Bedarfsprofile) sehr detailliert, daher empfehlen wir beide Artikel in voller Länge: https://doi.org/10.1016/j.energy.2022.125493 bzw. https://doi.org/10.1016/j.energy.2022.125705.
Der nächste Newsletter erscheint am 01. Februar. Bis dahin können Sie sich auch gerne mit uns auf LinkedIn vernetzen, wo wir kleinere Anwendungsbeispiele und Informationen posten.
