Um die angestrebten Klimaschutzziele zu erreichen, ist ein diversifiziertes und robustes Energieversorgungssystem unerlässlich. Biogasanlagen können hierzu einen bedeutenden Beitrag leisten, indem sie organische Substrate unter kontrollierten anaeroben Bedingungen in ein methanhaltiges Gasgemisch überführen, das anschließend in Blockheizkraftwerken zur gekoppelten Strom- und Wärmeerzeugung genutzt werden kann. Die Funktionsweise solcher Anlagen lässt sich jedoch nicht in das konventionelle energetische Wandlungsparadigma einordnen, das durch direkte Umwandlungsprozesse - wie etwa bei Brennstoffzellen oder Batteriespeichern - charakterisiert ist. Die Biogaserzeugung beruht vielmehr auf einem komplexen biochemischen Prozess, der derzeit üblicherweise mittels hochdetaillierter und rechenintensiver anaerober Vergärungsmodelle oder durch Verfahren des maschinellen Lernens beschrieben wird. Letztere neigen jedoch dazu, physikalische Zusammenhänge und betriebsrelevante Qualitätsindikatoren zu abstrahieren, was die Vorhersage des Anlagenverhaltens unter variablen und strategisch angepassten Betriebsbedingungen erheblich erschwert. Diese Arbeit befasst sich mit dem oben genannten Problem, indem sie Methoden einführt, die auf numerischen und statistischen Überlegungen beruhen, um die Korrelationen und wechselseitigen Auswirkungen der verschiedenen Komponenten von Biogaskraftwerken zu visualisieren und mathematisch zu erfassen. Dies wird durch die Anwendung von verzögerten Kreuzkorrelationstests und Binning erreicht. Anschließend werden physikalisch basierte Modelle vorgestellt, die sowohl die Biogasproduktion als auch die Biogasentnahme in Abhängigkeit von einstellbaren externen Parametern, d.h. elektrischer Energie und Fütterung, erfassen. Die automatisierte Leistungsregelung der Anlage wird ebenfalls berücksichtigt. Dabei werden Nachschlagetabellen verwendet, um ein geschlossenes Regelkreissystem zu etablieren, das vollständig durch die Anpassung der Menge, Qualität und des Zeitpunkts der organischen Zuführungen steuerbar ist. Die Biogasproduktionsrate verwendet den bewährten Ansatz der modifizierten Gompertz-Funktion, um eine datengesteuerte Parameteranpassung durchzuführen. Dabei wird der mittlere quadratische Fehler zwischen den vorverarbeiteten Rohmessdaten und der Simulationsvorhersage minimiert. Die praktischen Auswirkungen der Datenqualität werden ebenfalls erörtert, ebenso wie das Potential davon, Daten mit größerer Genauigkeit zu erfassen. Die Simulationsergebnisse werden mit Daten aus einem realen Kraftwerk im burgenländischen Weingraben verglichen.
Petra Alexendra Reisz (Sun,) studied this question.