Driftsoptimering af Smart Gridfjernvarmesystemer for lavtemperatur DANSK FJERNVARMES 56. LANDSMØDE Aalborg 31. oktober 2014 Anders Niemann, konsulent, Teknologisk Institut
SMART GRID-Definition Et Smart Grid er et moderne energinetværk, der bruger informations- og kommunikationsteknologi til automatisk at indsamle information omkring forsyningers og kunders adfærd og reagere på baggrund af denne information. Hvor formålet er at forbedre effektiviteten, driftssikkerheden, økonomien og bæredygtigheden ved produktion, distribution og forbrug af energi. 3
Smart Grid-elementer Sensorer (Smart Meters) Datakommunikation Datalagring, datahåndtering og data-administration Datasikkerhed Dataanalyseværktøj (Data mining) Evaluering og tilbagekobling Forbrugsvisualisering Produktionstilpasning Driftsoptimering 4
EUDP-projekt Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur
Fjernvarme Smart Grid: - Udfordringer og visioner For at udnytte og inkorporere vedvarende energikilder i et eksisterende fjernvarmesystem på en optimal måde kræves et nøje kendskab til de forskellige driftsparametre og til dynamikken i forsyningssystemet. At kunne anvende data fra Smart Meters til at få kendskab til de forskellige driftsparametre og dynamikken i fjernvarme-nettet blandt andet forbrugsmønstre. Anvendelse af Smart Meters med minutbaseret datalogning giver særlige muligheder for at analysere driftsforhold og forbrugsmønstre samt for at afprøve tidsligt højtopløselige modelleringsstrategier for driftsoptimering 6
Projektforudsætninger 78 smart meters (energimålere) installeret i 2 forskellige testområder 65 husstandsmålere 9 målere i omløbsskabe 4 målere i to blandeskabe til de to områder De 2 testområder er med parcelhus bygget i årene fra henholdsvis 1955 65 og 1998-99 Data bliver logget på minutbasis Data fra før og efter forskellige driftsoptimeringer IT-Værtøjerne TERMIS : Numerisk værktøj til hydraulisk og termodynamisk modellering og simulering af bl.a. tryk, temperatur og energi i forsyningsnettet for både frem- og returløb Matlab : Matematik- og programmeringssoftware 7
Datamængde og anvendelighed? Hvad skal vi med alle de data? Datalinjer (records) fra 1 måler: Dag: 1440 records Måned: 43920 records År: 525600 records Datalinjer fra 78 målere 41 mio. records Excel: ~1 mio. datalinjer Hvor mange data skal der til? Logningsinterval pr. minut, pr. time eller? Hvordan skal vi analysere og behandle dem? Af hvem og til hvad kan resultaterne anvendes? 8
Anvendelse af de mange data Visualisering Forbrug af varme Fjernvarmeafkøling Hvornår der er forbrug! Sammenligning med andre kunder (Benchmarking) Driftsoptimering: Forbrugsvisualisering Kundevejledning Bedre kendskab til forbrugsmønstre bedre produktionsplanlægning bedre drift af distributionsnettet Inkorporering af VE-kilder Sol, vind etc. 9
Projekts hovedformål At udvikle modellerings- og analyseværktøjer Verifikation af målerdata for at sikre kvaliteten af inputdata til videre analyser. Etablere en simuleringsmodel og metode i TERMIS baseret på validerede minutdata. Analysere og estimere usikkerheden på outputtet fra TERMIS Udvikle værktøjer og metoder til at analysere driftsoptimeringer og logningsintervallets indflydelse på resultaterne. At analysere forskellige driftsoptimeringer Sænkning af middelfremløbstemperaturen Nye fjernvarmeunits og indregulering hos 4 udvalgte kunder Nye automatisk ventiler i omløbsskabe 10
Analyse og estimering af usikkerheden på outputtet fra TERMIS Inputdata Målerdata: Tryk, temperatur, effekt, flow Output: Fx varmetab, tryktab, temperatur... Usikkerheder på input: Fx effekt (flow, differenstemperatur, ) Input Input: ±2 % TERMIS (Simuleringsværktøj) Output 11
Driftsoptimeringer og logningsinterval - Værktøjer og metoder Analyseparametre for nettes driftstilstand: før- og eftersituation: Fremløbstemperatur Returtemperaturen Afkølingen hos individuelle kunder Ændringer i forbrugsmønster hos individuelle kunder Ændringer i varmetab fra rør Ændring af tryktab i nettet Samtidighedsfaktoren Samtidighedsfaktoren som analysemetode Til tjek af nettes driftsstatus før og efter driftsoptimeringer (hypotese) Til tjek af logningsintervallets betydning for resultatet (skalering/overføring) Vejr- eller graddagsafhængig 12
SAMTIDIGSHEDSFAKTOR Samtidighedsfaktor ( teoretisk ) 1,00 Samtidighedsfaktorer 0,90 0,80 0,70 0,60 s = 0, 62 + 0, 38 n 0,50 0,40 Tilslutningseffekten 0,30 0,20 s = 51 n 50 n Varmtvandsbehov 0,10 0,00 0 10 20 30 40 50 60 70 Kilde: Varme ståbi 6. udgave ANTAL MÅLERE 13
FORBRUG Samtidighedsfaktor (målt) max Individuelle forbrug max Meter 2 Meter 1 Meter 3 max 0 200 400 600 800 1.000 1.200 1.400 TID [MINUTTER] Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur 14
FORBRUG Samtidighedsfaktor (målt) max Totalforbrug (summeret) Meter 2 Meter 1 Meter 3 Totalforbrug 0 200 400 600 800 1000 1200 1400 1600 TID [MINUTTER] Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur 15
FORBRUG Samtidighedsfaktor (målt) Totalforbrug (summerede indv.) max Meter 2 Meter 1 Meter 3 Total forbrug max Individuelle forbrug Meter 2 Meter 1 Meter 3 max max 0 200 400 600 800 1000 1200 1400 TID [MINUTTER] 0 200 400 600 800 1000 1200 1400 TID [MINUTTER] S = Maximalværdien af totalforbrug = max( i=n Meter i) Summen af maximalværdierne for individuelle forbrug i=n max(meter i) 16
FORBRUG Målerdata minut- kontra timeværdier Målerdata Minutdata Timedata 0 200 400 600 800 1000 1200 1400 TID [MINUTTER] 17
SAMTIDIGHEDSFAKTOR Samtidighedsfaktor - Målt vs. teoretisk 1,00 Samtidighedsfaktor: Teoretisk og målt 0,90 0,80 0,70 Målt: timeværdi 0,60 0,50 0,40 0,30 0,20 0,10 Varme ståbi Varme ståbi Målt: minutværdi Tilslutningseffekten Varmtvandsbehov Minutbaseret data Timebaseret data 0,00 0 10 20 30 40 50 60 70 ANTAL MÅLERE 18
SAMTIDIGHEDSFAKTOR Logningsinterval vs. samtidighedsfaktor 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Samme log-tidspunkt Forskelligt log-tidspunkt 0 20 40 60 80 100 120 140 160 180 LOGNINGS-INTERVAL [MINUTTER] 19
Pointen er ikke, at der skal installeres fjernvarme-smart meters med minut-aflæsning alle steder, men at udvikle validerede og verificerede analyse- og optimeringsværktøjer, der kan udnytte data fra de smart meters med lavere samplingsfrekvens, der allerede er installeret eller planlægges at blive installeret. 20
Tak for opmærksomheden Spørgsmål? 21