Nejnavštěvovanější odborný web
pro stavebnictví a technická zařízení budov
estav.tvnový videoportál

Vyhodnocení přínosů prediktivního řízení systémů CZT pro úspory energií

Data z předávacích stanic systému CZT (SZTE) dostupná v jednom místě a v reálném čase umožní vytvořit typický odběrový diagram tepla odběratelů a podle něj prediktivním řízením minimalizovat náklady na elektrickou energii oběhových čerpadel a tepelné ztráty při distribuci tepla.


V uplatnění prediktivního řízení provozu tepelných sítí CZT (SZTE) je skryt významný energeticky úsporný potenciál. (Foto: ČEZ Teplárenská)

Úvod

Článek se zaměřuje na vyhodnocení přínosů implementace prediktivního řízení na systémy centrálního zásobování teplem (CZT). Tuto moderní metodu řízení lze s výhodou nasadit v případech, kdy systém měření a regulace umožňuje v reálném čase do jednoho systému koncentrovat měřená data ze všech předávacích stanic, a to včetně měření tepla. Data s touto četností je možné využít k modelování typického odběrového diagramu koncových spotřebitelů tepla, a získat tak predikční model pro každého spotřebitele. V kombinaci s modelem průtoků a teplot lze pomocí metod prediktivního řízení řídit teploty a průtoky v jednotlivých částech systému s ohledem na minimalizaci součtu nákladů na elektrickou energii oběhových čerpadel a tepelných ztrát při distribuci tepla. Metoda byla pilotně nasazena na CZT systému VS Chlum v Bílině a přínosy oproti původní ekvitermní regulaci jsou porovnány v článku.

Systémy CZT zajišťují dle Teplárenského sdružení České republiky s délkou rozvodů více než 7 500 km dodávky tepla pro více než 1,5 mil. domácností v ČR [1]. Na každém kilometru dochází k tepelným ztrátám v distribuci tepla v řádu jednotek až desítek kW tepla, a je tedy relevantní otázkou, jak dosáhnout snížení tepelných ztrát při distribuci tepla od výroben až ke koncovým spotřebitelům.

Samotné ztráty jsou závislé primárně na rozdílu teploty média a okolí potrubí. Je přitom nutné brát v potaz nejen přívodní potrubí, ale i vratné potrubí. Závislost tepelných ztrát na průtoku je minimální.

Způsoby snižování tepelných ztrát jsou založené zejména na lepších tepelně technických parametrech izolace potrubí, kdy samotná modernizace potrubí představuje velmi finančně náročnou akci.

Další možností, jak snížit tepelné ztráty při distribuci tepla, je vhodné nastavení provozních parametrů, a to zejména nastavení požadovaných výstupních teplot na jednotlivých výměníkových stanicích, a s tím související úprava průtoků v jednotlivých částech CZT systému. Mezi tento způsob lze zařadit i inovativní přístup prediktivní regulace, který bude dále rozebrán v tomto článku.

Prediktivní regulace je metoda pokročilého řízení, která k výpočtu akčního zásahu využívá

  • Matematický model řízené soustavy: v tomto případě se jedná o algebraické rovnice přestupu tepla na jednotlivých výměnících a průtoků v jednotlivých částech CZT systému v závislosti na dodávaném výkonu a teplotě.
  • Predikci spotřeby tepla koncovými spotřebiteli: CZT systém má svoji dynamiku a přenesení tepla od zdroje ke spotřebiteli trvá nezanedbatelný čas, a proto je nutné anticipovat poptávku po teple vhodným řízením zdroje.
  • Predikci výstupní teploty u spotřebitelů: dodávka teplé užitkové vody (TUV) je typicky charakterizována denním průběhem se dvěma odběrovými špičkami (ranní a večerní), nicméně dodávka tepla pro ústřední vytápění (ÚT) je obvykle závislá na parametrech ekvitermní křivky, která je naopak funkcí venkovní teploty, která tedy vstupuje do rozhodování při výpočtu akčního zásahu.

Nastavení parametrů výstupní teploty do CZT systému lze provádět dle zkušenosti a výstupní teplotu lze volit jako funkci požadovaných teplot u spotřebitelů, nicméně jak ukazují výsledky výzkumu, jedná se o mnohem komplikovanější úlohu, neboť optimální nastavení výstupní teploty závisí na aktuálním stavu a budoucím požadavku každého jednotlivého spotřebitele v síti CZT.

Příklady z praxe

Zjednodušený model termodynamiky a model potřeby tepla koncovými spotřebiteli byl využit v práci [2], kde pomocí metody prediktivního řízení bylo simulačně prokázáno snížení provozních nákladů CZT systému o 5–8 %. Celočíselné lineární programování bylo použito pro výpočet optimálních provozních parametrů.

Naopak detailní model zahrnující hydrauliku CZT systému byl využit v práci [3]. Model části města Grenoble byl vytvořen v simulačním nástroji Modelica a byl sestaven z jednotlivých základních komponent (výměník, čerpadlo, potrubí a další), kdy každá komponenta měla přiřazené termohydraulické vlastnosti. Pro výpočet optimálních provozních parametrů byl použit přístup prediktivní regulace a validace byla prováděna na 5 dnech open loop simulace. Přínos prediktivní regulace byl vyhodnocen na 10% úsporu tepelných ztrát při zvýšení čerpacích prací o 24 %.

V tomto článku bude představen přístup částečně kombinující oba uvedené přístupy. Z práce [2] si bere black-box modelování spotřeb jednotlivých koncových spotřebitelů, a naopak z práce [3] fyzikální přístup k modelování distribuce tepla v CZT. Přístup byl ověřen na reálném provozu společnosti ČEZ Teplárenská a.s. v Bílině.

Pilotní lokalita

Obr. 1 Schématické zobrazení lokality CZT Chlum, Bílina
Obr. 1 Schématické zobrazení lokality CZT Chlum, Bílina

Pro ověření inovativního algoritmu prediktivní regulace byla zvolena lokalita VS Chlum v Bílině. Jedná se o zmodernizovanou horkovodní část CZT systému napájeného z elektrárny Ledvice. Lokalita je charakterizována velmi vysokou úrovní digitalizace, kdy informace z většiny významných předávacích stanic je centralizována na jednom místě v centrálním dispečinku. To umožňuje obsluze systému jednak rychleji odhalovat a řešit provozní problémy a zároveň získávat provozní zkušenost s chováním CZT systému, která může sloužit k tomu, aby dispečer lepším způsobem nastavil požadované parametry systému. Tak tomu bylo i v této lokalitě, kde po provedených úpravách na technologii došlo i k postupným úpravám provozních parametrů a lze konstatovat, že běžnými přístupy k regulaci bylo dosaženo maximum možného z pohledu snížení tepelných ztrát při dodržení parametrů dodávky tepla.

Lokalita je schematicky načrtnuta na Obr. 1. Přívod páry z elektrárny Ledvice je napojen na hlavní výměníkovou stanici HVS Chlum, za kterou jsou vedeny horkovodní rozvody do dalších 4 výměníkových stanic. Jedna z těchto stanic (VS 24) se pak ještě dále větví. Celkem je v uvažované lokalitě 13 výměníkových stanic, které jsou předmětem prediktivní regulace. Typický roční objem předaného tepla na HVS Chlum je 60 TJ a dodaného tepla spotřebitelům 57 TJ, z čehož plynou tepelné ztráty ve výši 5 %.

Prediktivní regulace MPC

Hlavním cílem projektu je za pomocí regulace MPC (z angl. Model predictive control) řídit provozní parametry CZT systému v pilotní lokalitě, a to takovým způsobem, aby byl minimalizován součet nákladů na čerpací práce a nákladů na pokrytí tepelných ztrát. Je tedy nutné nejdříve definovat vhodnou ztrátovou funkci:

J = cel ‧ Pel + cteplo ‧ Qztraty [Kč],
 

kde cel [Kč/kWh] je cena elektrické energie pro oběhová čerpadla (pouze položky z faktury za elektřinu, které souvisí s platbou za odebranou kWh), Pel [kWh] je množství elektrické energie za periodu vzorkování, cteplo [Kč/kWh] je cena tepelné energie přepočtené na stejné jednotky, Qztraty [kWh] je objem tepelných ztrát za periodu vzorkování.

Doposud jednoduchá úloha se začne komplikovat v okamžiku přidání omezení daných modelem systému: příkon čerpadel a objem ztrát je funkcí veličin v modelu.

Jednotlivé části modelu jsou:

  • fyzikální popis distribuce tepla v lokalitě
  • prediktivní model spotřeb koncových zákazníků se samoučící funkcí – pro každou periodu vzorkování je v budoucnu predikován očekávaný objem potřebného tepla pro větve ÚT a TUV.

Prediktivní regulátor pak pomocí metody numerické optimalizace hledá takové řešení, které minimalizuje ztrátovou funkci J a zároveň splňuje omezení

  • dané modelem distribuce tepla
  • dodávka tepla musí být rovna predikci odběru tepla
  • teplotní parametry dodávky (žádané teploty ÚT a TUV na koncových stranách odběru) musí být dodrženy.

Perioda modelu byla zvolena 1 hodina, protože s kratší periodou se významně zvyšuje nepřesnost v predikci modelu – krátkodobé jevy nelze predikovat (např. čas koupání během večerní odběrové špičky).

Obr. 2 Schéma napojení nadřazené regulační vrstvy, regulátoru MPC na stávající systém MaR
Obr. 2 Schéma napojení nadřazené regulační vrstvy, regulátoru MPC na stávající systém MaR

Úloha je diskrétního charakteru a díky modelům výměníků a směšovacích prvků se jedná o nelineární optimalizační úlohu, která je řešena globálně za pomocí gradientní metody.

Schéma fungování systému MPC je na Obr. 2. MPC je napojeno pomocí Open Process Communication (OPC) protokolu na stávající SCADA systém měření a regulace (MaR), jakožto nadřazená regulační vrstva. Typickým charakterem takových vrstev je, že pro svoje rozhodování využívají velké množství dat (v tomto případě je čteno 423 proměnných) a produkují velmi malé množství hodnot – v tomto případě pouze požadované teploty na výstupu HVS Chlum a VS 24. Systém MaR se pak snaží tyto požadované teploty zajistit.

V případě poruchy výpočtu nebo nekvalitních vstupních dat je obsluha na centrálním dispečinku informována a dochází k automatickému přechodu na ekvitermní regulaci řízení výstupních teplot. Pro nastartování MPC je nutný manuální zásah operátory na centrálním dispečinku. Nicméně po zahoření systému již k takovémuto přechodu nedochází.

Vyhodnocení

Systém regulace MPC byl spuštěn v druhé polovině září 2018 a pro vyhodnocení byl použit úsek období říjen 2017 až leden 2019 včetně. Pro vyhodnocení úspor díky regulaci MPC byly tepelné ztráty a čerpací práce normovány na základě délky otopné sezony a venkovní teploty z předchozího roku tak, aby bylo možné věrohodně porovnat obě období – původní ekvitermní regulaci a regulaci MPC.

K vyhodnocení byla využita data z MaR s měřením kalorimetrů určujících tepelné ztráty (krok 10 minut) a zároveň odečty z elektroměrů pro objekty výměníkových stanic (týdenní krok, spotřeba rovněž zahrnuje ostatní zařízení objektu VS, nicméně spotřeba na oběhová čerpadla je dominantní).

Regulací MPC se podařilo zajistit prakticky trvalé snížení tepelných ztrát alespoň o 10 kW, což představuje 10–15 % tepelných ztrát. Je toho dosaženo zejména tím, že teplota teplonosné látky je udržována prakticky nepřetržitě na provozním minimu tak, aby byly zajištěny parametry dodávky.

V období dodávky TUV lze dobře pozorovat úsporu regulace MPC v tom, že MPC pouze v odběrových špičkách řídí na stejnou teplotu jako odladěná konstantní teplota, která zajistí pokrytí dodávky TUV. Tato špička ale nastává pouze ve 2–3 hodinách v průběhu dne a v ostatních hodinách je možné s teplotou snížit. Optimální míru snížení teploty určí matematická optimalizace.

Spotřeba elektrické energie tvoří menší část provozních nákladů, a proto MPC volí strategii pracovat na maximálním průtoku s minimálními teplotami. Dalo by se konstatovat, že v každý okamžik je v některé části systému téměř maximální možný průtok. Systém je ovšem konfigurován, aby se trvale 100% otevření ventilu vyhýbal. Z vyhodnocení se překvapivě ukázalo, že došlo nejen k úspoře tepla, ale také k úspoře elektrické energie. MPC ovšem přečerpalo za podobné období o 40 % vody více, takže tato úspora byla primárně dosažena snížením požadavku na diferenční tlak do systému.

Obr. 3 Porovnání energetické náročnosti regulace MPC a ekvitermní regulace
Obr. 3 Porovnání energetické náročnosti regulace MPC a ekvitermní regulace

Závěr

Na reálné aplikaci byla ověřena hypotéza, že prediktivní regulace MPC může zajistit energeticky efektivnější provoz systému CZT. Provozní parametry (teploty a průtoky teplonosné látky v systému) jsou dynamicky upravovány, aby v každém okamžiku byla zajištěna dodávka tepla pro ÚT a TUV a zároveň minimalizovány náklady na tepelné ztráty a chod oběhových čerpadel.

Z vyhodnocení plyne, že úspora oproti dobře naladěné ekvitermní regulaci činí 10–15 % tepla na tepelné ztráty při srovnatelné spotřebě elektrické energie. MPC tak představuje vhodný nástroj na provozní optimalizaci systémů CZT. K zapojení je ovšem nezbytná dostatečná digitalizace systému MaR, u kterého je požadavek na centralizovaný sběr průběhových dat ze všech předávacích stanic (kalorimetry, ventily, stav čerpadel atp.). Vyšší úroveň digitalizace systému přináší i další výhody jako jsou

  • rychlejší detekce a oprava poruch
  • možnost prediktivní diagnostiky systému (např. zanášení výměníků)
  • zjednodušení rozúčtování a další.

Algoritmus prediktivní regulace je škálovatelný. Jeho komplexita narůstá s dopravním zpožděním v systému (2 a více hodin pro dopravení teplonosné látky ke spotřebitelům) a s počtem sekundárních předávacích stanic, na které jsou připojeni další spotřebitelé. Při stávajících výpočetních možnostech počítačů není řešení optimalizační úlohy MPC pro CZT problém ani pro řádově větší CZT systémy.

Při současných enormně rostoucích cenách energií dává prediktivní regulace CZT s cílem snižovat provozní náklady ještě větší smysl. Navíc, díky nižším provozním teplotám otopné vody v CZT řízeném MPC, lze do výroby tepla zapojit i kombinaci s tepelným čerpadlem se zvýšenou energetickou účinností.

Pilotní aplikaci ve spolupráci s ČEZ Teplárenská a.s. realizovala firma Feramat Energies, s.r.o., která spojuje energetiku a datovou analytiku. Klientům doporučuje, jak optimálním způsobem provozovat a obchodovat energetické komodity a služby pro komplexní energetické celky. Zároveň dodává softwarové řešení pro řízení těchto technologií a podporu obchodování komodit a služeb. Feramat Energies, s.r.o. je rovněž akreditovanou společností pro zajišťování certifikačních měření pro poskytování služeb výkonové rovnováhy pro ČEPS.

Literatura

  1. BUFKA, A., MODLÍK, M. a VEVERKOVÁ, J. Zpráva o vývoji energetiky v oblasti tepla za rok 2018. Ministerstvo průmyslu a obchodu [online]. 23. 3. 2020. Dostupné z: https://www.mpo.cz/cz/energetika/statistika/elektrina-a-teplo/zprava-o-vyvoji-energetiky-v-oblasti-tepla-za-rok-2018--253625/.
  2. Park, Tae Chang, Ui Sik Kim, Lae-Hyun Kim, Weon Ho Kim, and Yeong Koo Yeo, 2009, Optimization of District Heating Systems Based on the Demand Forecast in the Capital Region. Korean Journal of Chemical Engineering 26(6): 1484–1496.
  3. Giraud Loic, Baviere Roland, Cedric Paulus, Mathieu Vallee, Jean-Francois Robin, 2015, Dynamic Modelling, Experimental Validation and Simulation of Virtual District Heating Network, in Proceedings of ECOS 2015, PAU, FRANCE.
 
 
Reklama