Lastspitzen sind teuer.

(Bild: Adobe Stock)

  • Energiekosten zu senken, ist eines der wichtigsten Ziele von Betreibern großer verfahrenstechnischer Anlagen.
  • Häufig stehen in den Betrieben die Informationen über den Energiebedarf einzelner Maschinen nicht in Echtzeit zur Verfügung.
  • Der Einsatz digitaler Modelle, KI und Machine Learning ermöglicht es, den Energieeinsatz in Echtzeit zu bilanzieren.
  • Im Praxiseinsatz konnten so deutliche Einsparungen erzielt werden.

Gerade im Midstream- und Downstream-Geschäft der Öl- und Gasindustrie, aber auch in der Chemie steht die Reduzierung des Energiebedarfs ganz oben auf der Agenda aller Unternehmen. In einer Branche mit derart vielen Randbedingungen und Variablen, die noch dazu im großen Umfang veraltete Ausrüstung nutzt, gestaltet sich die Energieoptimierung jedoch häufig recht schwierig.

In einer typischen Prozessanlage laufen zahlreiche komplexe Prozesse und Verfahren zeitlich parallel. Viele Anwender können nicht beziffern, welche Betriebsmittel oder Ausrüstungsteile welche Menge an Energie verbrauchen. Aber noch entscheidender: Sie wissen nicht, welche Vorgänge, beispielsweise das Aufheizen, wie viel Energie verbrauchen. Ohne diese Mindestinformationen lässt sich kaum ermitteln, mit welchen Maßnahmen der Energiebedarf reduziert werden kann. Eine weitere Herausforderung sind Schwankungen im Energiebedarf und die Fähigkeit, in diesen Fällen die kostengünstigste Energiequelle auszuwählen. Somit bergen Prozessanlagen ein hohes Potenzial für Kosteneinsparungen.

Tankterminal senkt Energie-Spitzenlast um 25 %

Start

Die Reduktion von Spitzenlasten ist der Schlüssel zu signifikanten Kosteneinsparungen beim Energieeinsatz. Bilder: Atomiton

Bei Vopak, einem weltweit führenden Tanklagerunternehmen aus den Niederlanden, waren die Energiekosten deutlich gestiegen, da die Versorgungsunternehmen ihre Preise für Spitzenabnahmen drastisch erhöht hatten. Um die Energiekosten besser zu verstehen, wurde deshalb das Atomiton Operating Stack (A-Stack) eingesetzt. Diese Software erstellt Profile der Betriebsmittel (Ausrüstung) und Vorgänge und erlaubt darüber hinaus die Überwachung des Energiebedarfs in Echtzeit. Die Software prognostiziert kontinuierlich die Energielast und optimiert mittels künstlicher Intelligenz die Zeitplanung der Betriebsabläufe. Somit lassen sich Prozessgrenzen priorisieren, unnötige Vorgänge auf ein Minimum beschränken und durch eine optimale Koordinierung der Pläne die Energiekosten senken.

Die Ergebnisse waren beeindruckend: die Spitzenenergielast konnte um 25 % gesenkt werden, die Energiekosten infolgedessen um 20 %. Damit nicht genug, zeigte sich eine positive Auswirkung auf die Arbeitsproduktivität von 5 %, während die Rechnungserlöse um 7 % anstiegen. Möglich wurde Letzteres durch eine digitale Zählerstandserfassung, sodass die Notwendigkeit entfiel, dreimal täglich Teams loszuschicken, um die Zähler manuell abzulesen. Jetzt fließen die zudem deutlich exakteren Zählerwerte alle 30 Minuten direkt in das ERP-System, wo die individuellen Kosten den einzelnen Kunden zugeordnet werden.

Ohne geeignete Software ist es für Betreiber von Tankterminals praktisch unmöglich, mehrere Tausend Variablen in Echtzeit zu verfolgen und dynamische Anpassungen vorzunehmen. Mit einer Software, die hochentwickelte Algorithmen und Modelle nutzt, um Tausende Variablen in Echtzeit zu verfolgen, ist die genaue Einschätzung des Energiebedarfs einzelner Betriebsmittel, Vorgänge oder Prozesse – beispielsweise für das Aufheizen von Tanks – deutlich einfacher und zudem automatisierbar.

Aufheizvorgänge digital modelliert

Ein weiterer Kunde hatte in seiner Raffinerie mit Problemen beim Beschicken und Entleeren der Kolonnen zu kämpfen: Bevor die Produkte verpumpt werden konnten, mussten zunächst Befehle an die Heizelemente der Rohrleitungen übermittelt werden, da sich die Leitungen ohne Vorheizen zusetzen. Zugesetzte Leitungen führen zu großen Produktionsunterbrechungen, da eine Reinigung der Rohre extrem zeitaufwendig ist und darüber hinaus Kosten von mehreren Zehntausend Dollar verursacht – ganz zu schweigen vom daraus folgenden Chaos bei der Planung. Die Lösung bestand darin, alle Leitungen in die digitale Erfassung einzubinden, um ihre Aufheiz- und Abkühlprofile zu modellieren. Durch maschinelles Lernen konnte somit der Energiebedarf beim Beschicken und Entleeren ermittelt werden, genauso wie der Zeitbedarf für das Aufheizen der Leitungen.

Für eine 60 m lange Rohrleitung macht das Modell zum Beispiel sichtbar, wie lange es unter Berücksichtigung der relevanten Variablen dauert, bis eine bestimmte Temperatur erreicht ist. Anhand dieser Informationen lässt sich der Prozess zuerst automatisieren und in einem weiteren Schritt optimieren. Steht eine Beschickung der Anlage an, kann die Rohrheizung zum richtigen Zeitpunkt eingeschaltet und später, basierend auf dem Abkühlungsprofil der Leitung, so früh wie möglich wieder abgeschaltet werden.

Optimierung der Spitzenlast lohnt sich

Learning

Bei der Lastoptimierung elektrischer Systeme werden von der Optimierungssoftware alle Abhängigkeiten berücksichtigt.

Eine der wichtigsten Einsparmöglichkeiten ist die Optimierung der Spitzenlastsituation beim elektrischen Strom. Zunächst muss dazu der Energiebedarf überwacht werden. Häufig werden dazu auch heute noch Zählerstände abgelesen. Weil das im Nachhinein geschieht, lassen sich daraus kaum handlungsrelevante Informationen gewinnen. Die zweithäufigste Methode ist die nach Betriebsmitteln unterteilte Aufzeichnung des Energiebedarfs, die in der Regel zum Schutz der Geräte oder zum Zwecke der Rückbuchung genutzt wird.

Demgegenüber steht die dritte Methode: die Echtzeit-Verbrauchsüberwachung, bezogen auf Vorgänge oder Prozesse. Energie wird hierbei als ein- und ausgehend betrachtet, zusammen mit weiteren Faktoren wie Ausrüstung, Betriebsmittel und Verbrauchsmaterialien. Durch die Zuordnung des Energiebedarfs auf einzelne Vorgänge und Prozesse werden diese Informationen genutzt, um für jeden Vorgang wie das Beschicken, Entleeren, Aufheizen usw. ein eigenes Energieprofil zu erstellen. So kann der Energiebedarf für einen Vorgang unter einer bestimmten Last vorhergesagt werden. Diese Voraussage wird abgeleitet, indem maschinelles Lernen auf historische Daten angewandt wird. Da Energieprofile ein allgemeingültiges Konzept darstellen, lassen sie sich nicht nur auf den Stromverbrauch, sondern beispielsweise auch auf den Dampf- oder Gasverbrauch anwenden.

Zusätzlich zu den Energieprofilen ist es darüber hinaus wichtig, die Anfangs- und Endzeiten der einzelnen Vorgänge zu kennen. Diese können von bestimmten Bedingungen abhängen, die für den Start oder das Beenden eines Vorgangs erfüllt sein müssen, beispielsweise wenn nach dem Aufheizen das Mischen erfolgt. Ebenso können Vorgänge einem vordefinierten Zeitplan unterliegen und werden manuell oder durch externe Ereignisse ausgelöst. Einige Auslöser, insbesondere die manuellen, entstehen spontan und sind deutlich schlechter vorhersehbar. Sie können aber dennoch in die Modelle eingebunden werden.

Die Nutzung der Bedingungen und Zeitpläne, um Informationen zu den Anfangs- und Endzeiten der Vorgänge zu erhalten, erlaubt in Verbindung mit den Energieprofilen relativ genaue Prognosen darüber, wie viel Energie zu einem bestimmten Zeitpunkt eingesetzt wird. Die Vorgänge lassen sich in drei Kategorien aufteilen: Konstante Vorgänge sind durchgängig aktiv und benötigen dabei Energie. Feste Vorgänge müssen unter allen Umständen ausgeführt werden. Flexible Vorgänge können verändert werden und haben variable Anfangs- und Endzeiten – sie stehen deshalb im Mittelpunkt der Energieoptimierung.

Die Software stellt die flexiblen Vorgänge, die über ein ausreichend großes Ausführungszeitfenster verfügen, dem Energiebedarf zu den jeweiligen Zeiten gegenüber. Auf der Grundlage des Optimierungsalgorithmus wird dann ein optimierter Zeitplan erstellt, und die Spitzenlasten werden gesenkt. Der Aufbau von Energieprofilen und die Verwendung prädiktiver Algorithmen zur Optimierung der Vorgänge versetzen die Anwender in die Lage, ihren Energiebedarf und die damit verbundenen Kosten besser zu beherrschen.

Zur Technik

Energieoptimierung – so funktioniert´s

Was wird zur Optimierung des Energiebedarfs benötigt? Zunächst müssen Daten gesammelt werden, um mit ihnen die Profile und Modelle zu füttern. Diese Daten können aus den unterschiedlichsten Quellen stammen, beispielsweise aus Sensoren in Geräten oder Anlagensystemen. Hierzu werden vorhandene Sensoren verwendet oder gegebenenfalls neue Sensoren installiert, wenn zusätzliche Datenquellen erforderlich sind. Als Nächstes müssen diese Daten in den Kontext der Umgebungsbedingungen gesetzt werden. Zur Nachbildung der physischen Betriebsumgebung werden digitale Modelle aufgebaut, indem die verschiedenen Datenquellen in den betrieblichen Kontext gesetzt werden. So liefert beispielsweise eine Datenquelle die Informationen zu einem Mischvorgang, während eine zweite die an den Mischern angeschlossenen Stromzähler ausliest. Durch die Zusammenführung dieser Datenquellen wird der Energiebedarf mit dem jeweiligen Vorgang verknüpft.

Unter Nutzung der digitalen Modelle mit ihren kontextbezogenen Informationen kann die Software Prognose-Algorithmen durchführen, um Energieprofile zu erstellen, bzw. Optimierungs-Algorithmen, um die Zeitpläne der Vorgänge zu optimieren. Diese Informationen können in Form ausführbarer Zeitpläne und Vorgänge in vorhandene Anlagensysteme integriert und bei Bedarf sogar automatisch aktiviert werden. Die Erstellung von Zeitplänen für einzelne Betriebsmittel, genauso wie das Wissen, zu welchem Zeitpunkt ein Vorgang idealerweise ausgeführt werden sollte, haben eine enorm positive Auswirkung auf die Energieeffizienz. Angesichts zahlloser möglicher Variablen ist eine manuelle Optimierung der Energiequellen eindeutig nicht durchführbar. Eine dynamische Anpassung der Energiezufuhr senkt dagegen die Energiekosten und liefert messbare Einsparungen.

Sie möchten gerne weiterlesen?