Machine Learning in der Energietechnik

Der Weg zu nachhaltigen Energietechnologien führt durch einen Wald voller Unbekannter und verborgenen Schwierigkeiten. Kann uns Machine Learning dabei helfen, die damit verbundenen technologischen, gesellschaftlichen und verhaltensbezogenen Herausforderungen zu bewältigen?

Energieerzeugung, -speicherung und -verteilung stehen vor enormen Herausforderungen, die sich aus der notwendigen Umstellung auf nachhaltige Technologien und Prozesse ergeben. Ausserdem steigt der Stromverbrauch weiter an. Um den Verbrauch zu begrenzen, brauchen wir neuartige interdisziplinäre Lösungen, die technologische, gesellschaftliche und verhaltensbezogene Probleme angehen. Die Situation ist reif für den Einsatz von mathematischen und IT Verfahren, die in den letzten Jahrzenten entwickelt wurden: neue Materialien, Sensoren und Algorithmen. 

Am IET widmen wir uns dem beschleunigten Transfer dieser Neuerungen aus den Labors und der Akademie in die Industrie und somit auf den Markt. Zu den aktuellen Projekten am IET gehören der Einsatz unkonventioneller Materialien in der Energiespeicherung, die Entwicklung moderner, mit Softwaremodellen angereicherter Sensoren für Windkraftanlagen und Kompressoren sowie die Anwendung verschiedener Formen des Machine Learning (ML) bei der Datenanalyse und Modellierung komplexer Systeme. Die folgenden Beispiele sollen helfen, unsere Bemühungen zu verbildlichen.

Drahtlose Energieübertragung:

Das Einbauen von verdrahteten Sensoren in Maschinen mit beweglichen Teilen, z. B. Windturbinenflügeln oder Roboterarmen und -beinen, ist umständlich und mit Wartungsaufwand verbunden. Dies liegt an den Kabeln, die zwei oder mehr bewegliche Teile der Maschine durchqueren müssen, um Signale und Strom zu übertragen. Eine Lösung sind drahtlose Sensoren, die nicht nur ihre Daten über elektromagnetische Signale übertragen, sondern auch ihre Energie drahtlos erhalten. Die von Michael Schueller geleitete Gruppe veröffentlichte eine Methode zum Design drahtloser Energieübertragung (WPT), welche detaillierte Simulationen und maschinelles Lernen kombiniert ^[1]. Ziel ist es, Designparameter zu finden, die die Effizienz und die Informationskapazität der Übertragung optimieren. Die Performance eines gegebenen Satzes von Parameterwerten wird durch eine dimensional-heterogene Simulation ermittelt, die elektromagnetische 2D- und 3D-Modelle koppelt. Diese Simulation ist zeitaufwendig und macht die automatische Optimierung der Parameter zu langsam, um realisierbar zu sein. Daher erstellten wir ein Surrogatmodell der detaillierten Simulation mithilfe von Regressionsmethoden. Surrogatmodelle fassen die Parameter-Performance-Beziehung in einem knappen mathematischen Modell zusammen. Das Surrogat kann schnell ausgewertet werden und benötigt nur wenige Millisekunden auf einem Mainstream-Computer. Ausgestattet mit diesem Werkzeug kann die Gruppe WPT-Designs für massgefertigte Maschinen schnell optimieren.

Wind Energie:

Die Rotorblätter von Windkraftanlagen werden während ihres Betriebs durch Erosion beschädigt. Wenn sie nicht rechtzeitig erkannt und behandelt werden, führt diese irreversible Anhäufung von Schäden zu einer Verringerung der Effizienz und schliesslich zum Ausfall. Die von Sarah Barber geleitete Gruppe entwickelt Deep Neural Networks (NN) zur frühzeitigen Erkennung und Klassifizierung von Erosionsschäden an den Rotorblättern. Diese NN nutzen eine Vielzahl von Zeitreihensignalen, die von kleinen, an der Rotorblätter eingebauten Sensoren erzeugt werden. Die von ihnen verwendeten Algorithmen extrahieren alle Informationen aus den Daten und sind anfällig für Bias. Um ihre Leistung zu verbessern, fügt die Gruppe beim Training der Netze physikalische Informationen hinzu (z. B. die Irreversibilität des Schadens) ^[2]. Die Hinzufügung physikalischer Informationen zu rein datengesteuerten Methoden macht diese interpretierbarer und verringert die Datenmenge, die benötigt wird, um ein akzeptables Leistungsniveau zu erreichen.

Kehrichtverbrennungsanlage:

Durch die Verbrennung von Kommunalabfall werden Probleme mit Mülldeponien vermieden. Die mit jeder Tonne verbrannten Abfalls erzeugte Wärme wird zur Energieerzeugung und für Fernwärme genutzt. Dies ist ein wirtschaftlicher Anreiz für die Betreiber von Kehrichtverbrennungsanlagen (KVA), allerdings werden bei diesem Prozess täglich Hunderte von Tonnen CO2 freigesetzt. Die CO2-Freisetzung soll reduziert werden, wobei das  derzeitige Energieerzeugungsniveau beibehalten bzw. verbessert werden soll. Um das zu erreichen, ist eine Erhöhung der Effizienz der Entziehung von Wärme aus den Nebenprodukten der Verbrennung (hauptsächlich Abgase) erforderlich. Die Nachrüstung von Wärmetauschern bestehender KVAs ist teuer, daher müssen wir, um das Ziel zu erreichen, die bestehende Infrastruktur intelligent nutzen. Dieser Ansatz gilt für alle Bereiche, in denen die Modernisierung der Infrastruktur prohibitiv teuer ist, wie z. B. bei der Abwasserbehandlung (z. B. Wasser 4.0 ^[3]). Im Rahmen eines Innosuisse-Projekts ^[4] entwickelte die Gruppe unter der Leitung von Alex Weber Werkzeuge, die den intelligenten Betrieb von KVAs unterstützen. Diese Werkzeuge bestehen aus einer Sammlung von ML-Algorithmen, die so angepasst wurden, dass sie für KVA-Designer und -Analysten zugänglich sind. Sie umfassen unter anderem Soft-Sensoren zur Schätzung der Verunreinigung: ein Indikator, der für die vorausschauende Instandhaltung verwendet wird. Soft-Sensoren sind eine Kombination aus numerischen Modellen und Hardwaresensoren, die die Beobachtung von ansonsten unzugänglichen Signalen ermöglichen. Sie erforderten die Entwicklung von dimensional-heterogene Modellen, die auf die Nutzung von Daten aus bereits installierten Sensoren angepasst sind. Diese Modelle kombinieren 1D-Wärmeaustausch und -transport mit ML-basierten Surrogaten der Thermo-Fluid-Dynamik der Verbrennungsabgase. Die Gruppe entwickelte auch einen neuen Kausal-Indikator ^[5] für die Verschmutzung. Dieser Indikator erfordert lediglich die Kenntnis der Ursache-Wirkungs-Beziehungen im Verbrennungsprozess anstelle spezifischer mathematischer Beziehungen, welche für numerische Modelle erforderlich sind und in einigen Fällen praktisch unmöglich zu bestimmen sind (z. B. thermophysikalische Eigenschaften der Verbrennungsabgase).

«Energie ist das Produkt von komplexen Systemen und Prozessen. Die von Sensoren erzeugten Daten können in der datengetriebenen ML verwendet werden. Die datengetriebene ML ignoriert jedoch unser Wissen in Form von mathematischen Beschreibungen dieser Prozesse und der relevanten Erhaltungssätze und Symmetrien. SciML kombiniert Daten und unser Wissen, um eine neue Generation von verbesserten Modellen zu liefern.»

Autor: Dr. sc. nat. Juan Pablo Carbajal, IET Projektleiter für Datenwissenschaft und Komplexe Systeme

_______________________________________________________________________________

^[1] R. Christen, U. Fischli, T. Franz, M. Schueller and J. Smajic. 2022. «Wireless Power
Transfer System for Linear Drives,» 23rd International Conference on the
Computation of Electromagnetic Fields (COMPUMAG). DOI:
10.1109/COMPUMAG55718.2022.9827503.

^[2] G. Duthé, I. Abdallah, S. Barber, E. Chatzi. 2021. «Modeling and Monitoring Erosion of the Leading Edge of Wind Turbine Blades». Energies 2021, 14, 7262. DOI: 10.3390/en14217262

^[3] INNOSUISSE 39596.1 IP-EE. 2019-2022. «Digital twin of the boiler fouling process in Energy from Waste plants (EfW)».

^[4] J. Pearl. 2019. «The seven tools of causal inference, with reflections on machine learning». Commun. ACM 62, 3 (March 2019), 54–60. DOI: 10.1145/3241036

^[5] D. Sedlak. 2014. Water 4.0: The Past, Present, and Future of the World's Most Vital Resource. Yale University Press. ISBN 9780300176490