WO2017190956A1 - Verfahren zum bestimmen eines modells - Google Patents

Verfahren zum bestimmen eines modells Download PDF

Info

Publication number
WO2017190956A1
WO2017190956A1 PCT/EP2017/059320 EP2017059320W WO2017190956A1 WO 2017190956 A1 WO2017190956 A1 WO 2017190956A1 EP 2017059320 W EP2017059320 W EP 2017059320W WO 2017190956 A1 WO2017190956 A1 WO 2017190956A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
data
determining
process data
deviation
Prior art date
Application number
PCT/EP2017/059320
Other languages
English (en)
French (fr)
Inventor
Sebastian THIEM
Vladimir Danov
Michael Metzger
Jochen SCHÄFER
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2017190956A1 publication Critical patent/WO2017190956A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23005—Expert design system, uses modeling, simulation, to control design process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23455—Determine capability of machine by simulating model of capability of its parts
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23456—Model machine for simulation

Definitions

  • the present invention relates to a method for determining a model for a system, in particular an energy ⁇ technical system.
  • the method for determining a model as well as the specific model is preferably used in order to be able to control the system in an optimized manner.
  • Other applications are also conceivable.
  • EWE energy conversion unit
  • ES energy ⁇ memory
  • EWE can thereby convert electrical energy into thermal energy and be formed for example as Kompres ⁇ sion chiller, heat pump or electric boiler.
  • the ES is in particular a thermal energy storage (TES) (eg hot water storage or ice storage).
  • TES thermal energy storage
  • Control quality is a measure of the control behavior of a control in regulation technology, by means of which a statement about the quality of a control can be made. With increased control performance (and quality of Rege ⁇ lung) decreases the error rate from, thereby advertising carried out in an optimized way by using the model, the control of the Appendices ⁇ ge the can.
  • the present invention therefore has as its object to provide an automated method for determining a model with its model parameters for a system which does not require manual effort and the model Para ⁇ meter can determine more accurate and faster manner.
  • the improved determination of the model parameters makes an optimized control of the plant possible based on the model with the model parameters.
  • Validate the model comprising the steps validation ⁇ :
  • step a if the deviation is above at least one Bag ⁇ agreed limit value, continuing with step a .; if the deviation is below the at least one preset limit, output the validated model.
  • process data of the plant are determined in a first step.
  • the method can be carried out during operation of the system in normal operation, in particular without interruption.
  • the system can be operated as Get used ⁇ Lich and arbitrarily controlled in different modes of operation. Therefore, carrying out the method does not lead to a standstill of the system and no increased Kos ⁇ th for standstill or failure.
  • the process data is composed of different or identical data types.
  • the data may be partially known and sometimes unknown, as discussed in greater detail below.
  • unknown measurement variables are regularly measured to ei ⁇ Nigen times over a predetermined period of time.
  • the system has one or more sensors.
  • various sensors can be used, such as a temperature sensor for detecting the temperature.
  • the process data can also contain further known data, such as manipulated variables and model structure.
  • the plant is preferably operated such that the ge ⁇ entire scope of all manipulated variables is approached in order to obtain a large and broad base to process data for the inventive automated model and / or model ⁇ parameter determination and, consequently, a wide range of operating conditions. This ensures A possible ⁇ lichst complete picture of the behavior of the complete system.
  • the process data is divided into at least one subprocess data record, which is advantageous for determining the corresponding submodel.
  • the process data can be divided into a plurality of subprocess data sets, for example, according to specific measured variables or manipulated variables (charge state of the memory). More specifically, the system is in a certain way ⁇ controls.
  • the energy storage is used as a plant-gene unit to 0 - 100% charged or discharged (Speicherbe ⁇ operation) to produce a first Subreasharm (designated as "Memory Load") from the process data.
  • a resulting sub-model has one or more model parameters.
  • the first Subreastician eg "memory store”
  • a respective first part model is generated with its model parameters wel ⁇ ches can be obtained for example by applying a function to the Subreassburg.
  • the model parameters are known.
  • the additional validation ensures in a final step that a deviation between simulated data and
  • Output data does not exceed a predetermined limit.
  • the input data and the output data ⁇ relate to a further process data record, which is independent or separate from the mitrésatzerstofft.
  • the simulated data is determined by a simulation based on the input data and the model.
  • Characterized si is ⁇ cher trolley that a validated and predictive model for optimization of operation of the plant is used.
  • the model can be used for operating costs-optimized or operating costs-minimized operation or control of a system.
  • the optimization of operations can be performed efficiently without costly and time-consuming post-TROUBLE ⁇ environment measures.
  • the process data preferably have measured variables, manipulated variables and / or a model structure.
  • the process data can have different or the same data, such as measured values which are detected by sensors and are subject to change over time, or even fixed and relate prede ⁇ finêt properties of the plant.
  • the sensor values or measured variables, such as temperature can be measured by a same or specific different sensors.
  • the specific sensor for the temperature may be a temperature sensor.
  • the sensor values are preferably measured regularly at certain times ⁇ points over a longer period of time to get a reliable record. The period can vary and be predefined.
  • the model structure defines the type of plant, LETein ⁇ units and / or their combination.
  • the model structure of the plant that is its investment units and their Anord ⁇ tion are known in advance.
  • the equipment units are the compression refrigeration unit, the ice storage and piping to which they are connected.
  • the ice storage can store cold, which can serve to cool a building.
  • the associated detectable refrigeration load can be measured by the corresponding sensor and also defined in the model structure as a manipulated variable.
  • the duration is several days.
  • the times and / or duration can be chosen arbitrarily.
  • the limit is 10%.
  • the process steps need to be repeated, or the Mo ⁇ dell may be already outputted.
  • the limit can be can be chosen arbitrarily and is both technology-specific and model-specific.
  • For the inventive system of compression refrigeration and ice storage are about 10% an advantageous limit. If a deviation above a threshold of 20% is placed firmly ⁇ at a later model adaption (for example, adjustment / update of the Modellparame ⁇ ter), a fault or an error might be penetratetre ⁇ th. In particular, a typical model quality has about 5-6% errors.
  • step c which is preferably at least one partial model by a li ⁇ -linear or non-linear regression in step c. certainly.
  • any regression model can be used to obtain the model parameters of the submodels, allowing flexibility in changing the method.
  • the method preferably further comprises the step of filtering the process data by determining moving average values for the at least one sub-data record after step b. on. To ⁇ additionally to the step, which is directed to dividing the process data b.
  • the process data can also be filtered.
  • the charge level of the ice storage can be changed and the charge / discharge over time can be determined. This charge level can be filtered by determining a moving average over the charge level.
  • the invention is also directed to a system comprising: a. Data acquisition means for determining process data; b. Data evaluation means for
  • Validate the model comprising the steps validation ⁇ :
  • step a if the deviation is above at least one Wind ⁇ agreed limit value, continuing with step a .; if the deviation is below the predetermined limit, output the validated model.
  • the invention further relates to a computer program, comprising instructions for implementing a method according to one of the preceding claims.
  • FIG. 1 shows a flowchart of a method according to the invention for determining a model for a plant.
  • Fig. 2 shows a schematic representation of a model structure according to an embodiment of the invention.
  • FIG. 3 shows a schematic representation of a subprocess data set according to a further embodiment of the invention.
  • Fig. 4 shows a perspective view of a beispielhaf ⁇ th plant for which a model is to be determined.
  • FIG. 5 shows a course of the temperature over time by means of a temperature measurement according to a further embodiment of the invention.
  • FIG. 6 shows an exemplary result of validation with a detected error.
  • FIG. 1 shows a flow diagram with the invention shown SEN steps 10 to 50.
  • SEN steps 10 to 50 can be determined by the method, a model for a plant 1, by means of which the system 1 can be controlled opti mized ⁇ .
  • the operation of the plant 1 can also be interrupted for the duration of the model determining and from an operating state (normal operation (state)) to another Be ⁇ operating state (idle state) occur.
  • process data 12 are determined.
  • the process data 12 can be composed of different or identical data or data types.
  • the Playful Appendix 1 has several investment units including one or more sensors.
  • the system 1 will be explained in detail below with reference to FIG.
  • the sensors are suitable for sensor values (or measured values) of the associated equipment units (compression refrigeration machine, Eisspei ⁇ cher) to detect as process data 12 as the temperature T (see Figure 5) and charge level SOC of the ice storage. Also know ⁇ tere sensor values, which are not shown in the figures are conceivable.
  • various types of sensors are used for various sensor values, in particular a temperature sensor for Erfas ⁇ solution temperature.
  • the above manipulated variables may be the same or different for different systems. In the event that the system 1 is supplemented by additional investment units, new measures can be added and also measured.
  • the above process data 12 are extended by manipulated variables (such as the low-temperature load) and the model structure (model parameters are still unknown).
  • the model structure is only slightly adaptable to a new or modified plant.
  • FIG. 2 shows the model structure on the basis of a table or matrix.
  • the column lists the model properties, such as plant units (compression refrigeration machine 60, ice storage 70), their links and the refrigeration load.
  • Each model property can be described by one or more corresponding mathematical equations.
  • Each mathematical ⁇ 's equation includes the unknown model parameters C ⁇ , where i is the number of unknown model parameters and variables for the sensor values detected by the sensors (in this case temperature T).
  • An exemplary equation is listed in the column of the compression chiller in the associated first row.
  • the measured process data 12 are further divided into at least one subprocess data record in a second step 20. For this purpose, for example, several subprocess data sets can be generated by dividing the subprocess data record according to different criteria.
  • An example criterion is the charge level SOC.
  • the system is preferably operated in such a manner that the entire Validity of the model properties (manipulated variables) from the matrix of Figure 2 is approached to produce the largest possible base to process data 12 for the Modellparame ⁇ terbetician and as far as possible to cover the entire possible investment behavior.
  • it is attempted to load or unload the ice storage 70 from 0% to 100% to generate a first sub-process data set for the ice storage 70 (see FIG. 2, column 3).
  • the resulting first Subreaticiansatz can accordingly be ⁇ Nannt be eg "memory store”.
  • the change of charge status (SOC) in the Ready validity of 0 to 100% can be represented over time (see Figure 3).
  • FIG. 3 shows by way of example the change in the charge state of the ice storage 70 (SOC [%] on the y-axis) over time (t on the x-axis).
  • the storage 70 is charged in two charging processes (charging 1 and charging 2) loaded to 100%.
  • Charging 1 and charging 2 loaded to 100%.
  • SOC [%] increases entspre ⁇ accordingly up to a maximum of 100% (shop), and then decreases to 0% (discharging).
  • the system 1 can also be operated and controlled in another way in order to influence the system behavior and model properties and to generate further sub-process data records. Zusharm ⁇ Lich or alternatively, the measured process data can be filtered in a further step 12th
  • Be in a third step from the one or more Subreasinesn 30 associated one or more sub ⁇ models with one or more model parameters for the C ⁇ Subprocess records determined.
  • a plurality of sub-models is also generated from a plurality of sub-process data sets.
  • the model properties and their mathematical equations of FIG. 2 correspond to the subprocess data records and also to submodels.
  • the submodels can be individually selected before starting the model parameter determination.
  • the unknown model parameters for the submodels may be determined by applying a function to the subprocess data sets.
  • a regression model linear or nonlinear regression
  • ⁇ SOC 1 , where c ⁇ is the number of model parameters overall, the model structure (with the submodels and their mathematical equations), the linkage of the submodels and also their model parameters are determined after step 30.
  • the model can be generated from the submodels in a further method step 40 become.
  • the resulting model is especially lidiert ⁇ in a last step 50 in order to obtain a sufficient model quality.
  • a sufficient model quality was achieved in the example shown in Figure 6 after 8 days.
  • the plant 1 is operated and further process data 14 are in a separate step a. determined.
  • the process data 14 has input data and output data. Simulated data can be obtained from the input data and the determined model. The simulated data is compared with the output data and their deviation determined.
  • the simulated data record charge state can be plotted against the measured additional process data set (SOC). This results in a parity plot. In this parity plot all the points should lie on a great ⁇ jump straight ideally. There is usually a small deviation or error from this line of origin that needs to be minimized. The error is given in the preferred embodiment as the limit or limit in which 90% of all data points lie.
  • the method steps 10 to 50 are first repeated.
  • the deviation value falls below the predetermined ⁇ tet, the deviation can be tolerated and the model can be given off.
  • the limit is predefined and can be changed arbitrarily be ⁇ . In Figure 6, the limit is shown in dashed lines. From 8 days, the deviation falls below the limit of 10 1 and the model quality is sufficient. This allows the model to be output and the process is complete.
  • FIG. 4 shows a system with several contact units and their arrangement.
  • the system has an energy conversion unit (EWE) 60 and an energy store (ES) 70.
  • the energy conversion means 60 in one embodiment of the present invention, are the compression refrigeration machine and the energy storage 70 is an ice storage.
  • the compression chiller is adapted to convert electrical energy into thermal energy that can be stored by the ice storage.
  • the thermal energy (cold) of the ice storage for cooling, for example, a building can be defined by the Käl ⁇ telast 80.
  • This refrigeration load 80 and further manipulated variables Ti n , SOC, T ou t of the energy storage can be detected by the data acquisition means 92.
  • the temperature is measured by a temperature sensor, as already described above. These sensor data are supplemented with the model structure and sent to the data evaluation means 94.
  • the data evaluation means 94 can carry out the method according to the invention for determining a model, as explained in detail above.
  • Computer-readable memories are, for example, volatile memories such as caches, Buffer or RAM and non-volatile memory as Kasda ⁇ pinion carrier, hard drives, etc.
  • the functions or steps described above may be in the form of at least one instruction set in / on a computer-readable memory.
  • the functions or steps are not tied to a specific instruction ⁇ set or to a particular form of instruction sets, or to a particular storage medium or to a particular processor or to specific design schemes and can by software, firmware, microcode, hardware, Prozes ⁇ sors, integrated circuits, etc. are carried out alone or in any combination.
  • Various processing strategies can be used, for example serial processing by a single processor or multiprocessing or multitasking or parallel processing, etc.
  • the instructions may be stored in local memories, but it is also possible to store the instructions on a remote system and access them via network.
  • processor central signal processing
  • data evaluation means includes processing means in the broadest sense, such as servers, general purpose processors, graphics processors, digital signal processors, application specific integrated circuits
  • ASICs programmable logic circuits such as FPGAs, discrete analog or digital circuits, and any combinations thereof, including any other processing means known to those skilled in the art or developed in the future.
  • Processors can consist of one or more devices. If a processor consists of several devices, these can be configured for the parallel or sequential processing of instructions.

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen eines Modells für eine Anlage, aufweisend die folgenden Schritte: Ermitteln von Prozessdaten, Aufteilen der Prozessdaten in mindestens einen Subprozessdatensatz, Bestimmen mindestens eines Teilmodells mit einem oder mehreren Modellparametern für den mindestens einen Subprozessdatensatz, Erzeugen eines Modells aus dem mindestens einen Teilmodell, Validieren des Modells, aufweisend die Validierungsschritte: Ermitteln von weiteren Prozessdaten, aufweisend Eingangsdaten und Ausgangsdaten in einem Testzyklus, Durchführen einer Simulation auf der Basis der Eingangsdaten und des Modells, um simulierte Daten zu gewinnen, Bestimmen einer Abweichung zwischen den simulierten Daten und den Ausgangsdaten, falls die Abweichung zumindest oberhalb mindestens eines vorbestimmten Grenzwerts liegt, Fortfahren mit dem ersten Verfahrensschritt, falls die Abweichung zumindest unterhalb des vorbestimmten Grenzwerts liegt, Ausgeben des validierten Modells. Ferner bezieht sich die Erfindung auf eine Anlage und ein Computerprogramm zum Durchführen der Verfahrensschritte.

Description

Beschreibung
Verfahren zum Bestimmen eines Modells 1. Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen eines Modells für eine Anlage, insbesondere eine energie¬ technische Anlage. Das Verfahren zum Bestimmen eines Modells sowie das bestimmte Modell wird bevorzugt eingesetzt, um die Anlage optimiert regeln zu können. Andere Anwendungen sind jedoch auch denkbar.
2. Stand der Technik
Solche Anlagen sind aus dem Stand der Technik bekannt und weisen zwei funktionelle Komponenten oder Anlageeinheiten auf, eine Energiewandlungseinheit (EWE) und einen Energie¬ speicher (ES) . Die EWE kann dabei elektrische Energie in thermische Energie umwandeln und beispielsweise als Kompres¬ sionskältemaschine, Wärmepumpe oder Elektroboiler ausgebildet sein. Der ES ist insbesondere ein thermischer Energiespeicher (TES) (z.B. Warmwasserspeicher oder Eisspeicher). Im Folgenden wird auf die beispielhafte Anlage mit einer Kompressions- kältemaschine und einem Energiespeicher eingegangen.
Es ist wünschenswert ein Modell für diese Anlagen zuverlässig vorherzusagen, um eine optimale Modellgüte (auch Regelgüte genannt) zu erlangen. Die Regelgüte ist in der Regelungstech- nik ein Maß für das Regelverhalten einer Regelung, mithilfe dessen eine Aussage über die Qualität einer Regelung gemacht werden kann. Mit erhöhter Regelgüte (und Qualität der Rege¬ lung) nimmt die Fehlerrate ab, wodurch die Regelung der Anla¬ ge mithilfe des Modells in optimierter Weise vorgenommen wer- den kann.
Weiterhin sind aus dem Stand der Technik sowohl manuelle als auch automatisierte Verfahren zur Modellbestimmung bekannt. Beim manuellen Verfahren wird herkömmlich die Anlage von einem Versuchsbeauftragten betrieben und aus den experimentell ermittelten Daten werden manuell Modelle mit ihren Modellparametern abgeleitet. Das manuelle Verfahren wird auch , manu¬ elles Engineering λ genannt. Dieses Verfahren ist jedoch zeit¬ aufwendig, teuer und fehleranfällig.
Dagegen sind beim automatisierten Verfahren weder manuelle Messungen noch manuelle Modellbestimmungen erforderlich. Aus dem Stand der Technik ist beispielsweise das Verfahren „Rein- forcement Learning"
(https : //en . wikipedia . org/wiki/Reinforcement_learning) bekannt . Dieses Verfahren basiert jedoch auf einer Black-Box Systemtheorie und vernachlässigt den inneren Aufbau sowie die Modellstruktur der Anlage. Nachteilig daran ist, dass die Mo¬ dellbeStimmung sehr komplex und kaum nachvollziehbar ist.
Die vorliegende Erfindung stellt sich daher die Aufgabe, ein automatisiertes Verfahren zum Bestimmen eines Modells mit seinen Modellparametern für eine Anlage bereitzustellen, welches ohne den manuellen Aufwand auskommt und die Modellpara¬ meter auf genauere und schnellere Art und Weise bestimmen kann. Durch die verbesserte Bestimmung der Modellparameter wird eine optimierte Regelung der Anlage anhand des Modells mit den Modellparametern möglich.
3. Zusammenfassung der Erfindung
Die oben genannte Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum Bestimmen eines Modells für eine Anlage, aufweisend die folgenden Schritte: a. Ermitteln von Prozessdaten;
b. Aufteilen der Prozessdaten in mindestens einen Subpro- zessdatensatz;
c. Bestimmen mindestens eines Teilmodells mit einem oder mehreren Modellparametern für den mindestens einen Sub- prozessdatensatz; Erzeugen eines Modells aus dem mindestens einen Teilmo¬ dell;
Validieren des Modells, aufweisend die Validierungs¬ schritte :
Ermitteln von weiteren Prozessdaten, aufweisend Eingangsdaten und Ausgangsdaten in einem Testzyklus;
Durchführen einer Simulation auf der Basis der Eingangs daten und des Modells, um simulierte Daten zu gewinnen; Bestimmen einer Abweichung zwischen den simulierten Daten und den Ausgangsdaten; und
falls die Abweichung oberhalb mindestens eines vorbe¬ stimmten Grenzwerts liegt, Fortfahren mit Schritt a.; falls die Abweichung unterhalb des mindestens einen vor bestimmten Grenzwerts liegt, Ausgeben des validierten Modells .
Dementsprechend werden in einem ersten Schritt Prozessdaten der Anlage ermittelt. Bevorzugt kann das Verfahren während des Betriebs der Anlage im Normalbetrieb durchgeführt werden, insbesondere ohne Unterbrechung. Die Anlage kann wie gewöhn¬ lich betrieben und beliebig in unterschiedlichen Betriebsmodi angesteuert werden. Daher führt das Durchführen des Verfahrens zu keinem Stillstand der Anlage und keinen erhöhten Kos¬ ten für den Stillstand oder Ausfall.
Die Prozessdaten setzen sich aus unterschiedlichen oder gleichen Datentypen zusammen. Die Daten können beispielsweise zum Teil bekannt und zum Teil unbekannt sein, wie weiter unten im Detail erläutert wird.
Beispielsweise werden unbekannte Messgrößen regelmäßig an ei¬ nigen Zeitpunkten über einen vorbestimmten Zeitraum gemessen. Zur Messung dieser Messgrößen weist die Anlage einen oder mehrere Sensoren auf. Hierzu können verschiedene Sensoren eingesetzt werden, wie beispielsweise ein Temperatursensor zum Erfassen der Temperatur. Die Prozessdaten können neben den Messgrößen auch weitere bekannte Daten aufweisen, wie Stellgrößen und Modellstruktur. Die Anlage wird vorzugsweise derart betrieben, dass der ge¬ samte Gültigkeitsbereich aller Stellgrößen angefahren wird, um eine große und breite Ausgangsbasis an Prozessdaten für die erfindungsgemäße automatisierte Modell- und/oder Modell¬ parameterbestimmung zu erlangen und folglich eine große Bandbreite an Betriebszuständen . Dies gewährleistet eine mög¬ lichst vollständige Abbildung des Verhaltens der komplexen Anlage.
In einem zweiten Schritt werden die Prozessdaten in mindestens einen Subprozessdatensätz aufgeteilt, der für die Bestimmung des entsprechenden Teilmodells vorteilhaft ist.
Hierzu können die Prozessdaten beispielsweise nach bestimmten Messgrößen oder Stellgrößen (Ladestand des Speichers) in eine Mehrzahl von Subprozessdatensätzen aufgeteilt werden. Genauer gesagt wird die Anlage in bestimmter Art und Weise ange¬ steuert. Zum Beispiel wird der Energiespeicher als eine Anla- geneinheit zu 0 - 100% geladen bzw. entladen (Speicherbe¬ trieb), um einen ersten Subprozessdatensätz (benannt z.B. „Speicher-Laden") aus den Prozessdaten zu erzeugen.
Aus den Subprozessdatensätzen werden weiterhin entsprechende Teilmodelle gebildet, wobei ein resultierendes Teilmodell ein oder mehrere Modellparameter aufweist. Zu dem ersten Subprozessdatensätz (z.B. „Speicher-Laden") wird ein entsprechendes erstes Teilmodell mit seinen Modellparametern erzeugt, wel¬ ches beispielsweise durch Anwenden einer Funktion auf die Subprozessdatensätze gewonnen werden kann. Nach diesem Verfahrensschritt sind die Modellparameter bekannt.
Diese Teilmodelle werden in weiteren Verfahrensschritten zu einem gesamten Modell anhand der bekannten Größen zusammenge- fügt beispielsweise ohne, dass eine weitere Funktion nötig ist . Das automatisierte Verfahren gemäß Patentanspruch 1 stellt daher zum einen sicher, dass das Modell schnell und effizient erzeugt wird. Zeitaufwendige manuelle Messungen der Prozess¬ daten und die manuelle Bestimmung der Modellparameter wird dabei vermieden. Ferner ist die Modellbestimmung gegenüber dem oben genannten automatisierten Reinforcement Learning Verfahren nachvollziehbar und transparent.
Die zusätzliche Validierung stellt in einem letzten Schritt sicher, dass eine Abweichung zwischen simulierten Daten und
Ausgangsdaten einen vorbestimmten Grenzwert nicht überschreitet. Dabei beziehen sich die Eingangsdaten und die Ausgangs¬ daten auf einen weiteren Prozessdatensatz, welcher unabhängig oder separat von dem Prozessdatensatzermittelt wird. Die si- mulierten Daten werden durch eine Simulation basierend auf den Eingangsdaten und dem Modell ermittelt.
Bei Unterschreitung des vorbestimmten Grenzwerts ist die Modellparameterbestimmung beendet und das Modell kann zuverläs- sig ausgegeben und weiterverarbeitet werden. Dadurch wird si¬ chergestellt, dass ein validiertes und prädiktives Modell für Betriebsoptimierung der Anlage verwendet wird.
Bei Überschreitung des vorbestimmten Grenzwerts müssen die Verfahrensschritte solange wiederholt werden, bis die Abwei¬ chung unterhalb des Grenzwerts liegt, bevor das Modell ausge¬ geben wird.
Für das validierte Modell, welches nach dem erfolgreichen Va- lidierungsschritt ausgegeben wird, sind unterschiedlichste Anwendungsmöglichkeiten denkbar.
Eine Anwendungsmöglichkeit ist die Betriebsoptimierung. Das Modell kann hierbei zum Betriebskosten-optimierten oder Be- triebskosten-minimierten Betrieb oder Regelung einer Anlage eingesetzt werden. Die Betriebsoptimierung kann effizient ohne aufwendige und zeitintensive nachträgliche Fehlerbehe¬ bungsmaßnahmen durchgeführt werden. Bevorzugt weisen die Prozessdaten Messgrößen, Stellgrößen und/oder eine Modellstruktur auf. Die Prozessdaten können unterschiedliche oder gleiche Daten aufweisen, beispielsweise Messgrößen, welche von Sensoren ermittelt werden und sich über die Zeit ändern können oder auch festgelegte und vorde¬ finierte Eigenschaften der Anlage betreffen.
Bevorzugt ist eine Messgröße die elektrische Last oder die Temperatur, welche über eine bestimmte Zeitdauer mittels min¬ destens eines Sensors gemessen wird und bevorzugt ist die Stellgröße die Kältelast. Die Sensorwerte oder Messgrößen, wie Temperatur, können von einem gleichen oder spezifischen unterschiedlichen Sensoren gemessen werden. Der spezifische Sensor für die Temperatur kann ein Temperatursensor sein. Die Sensorwerte werden bevorzugt regelmäßig zu bestimmten Zeit¬ punkten über einen längeren Zeitraum gemessen, um einen zuverlässigen Datensatz zu erhalten. Der Zeitraum kann variieren und vordefiniert werden.
Bevorzugt legt die Modellstruktur den Anlagentyp, Anlageein¬ heiten und/oder deren Verknüpfung fest. Die Modellstruktur der Anlage, das heißt ihre Anlageeinheiten und deren Anord¬ nung sind vorab bekannt. Im Beispielfall sind die Anlageein- heiten die Kompressionskältemaschine, der Eisspeicher sowie Rohrleitungen, mit denen sie verbunden werden. Der Eisspeicher kann Kälte speichern, welches der Kühlung eines Gebäudes dienen kann. Die zugehörige erfassbare Kältelast kann von dem entsprechenden Sensor gemessen werden und auch in der Modell- struktur als eine Stellgröße definiert werden.
Bevorzugt beträgt die Zeitdauer mehrere Tage. Die Zeitpunkte und/oder Zeitdauer kann beliebig gewählt werden. Bevorzugt beträgt der Grenzwert 10%. Je nach Über- oder Un¬ terschreitung der Abweichung vom vordefinierten Grenzwert müssen die Verfahrensschritte wiederholt werden oder das Mo¬ dell kann bereits ausgegeben werden. Der Grenzwert kann be- liebig gewählt werden und ist sowohl technologiespezifisch als auch modellspezifisch. Für die erfindungsgemäße Anlage aus Kompressionskältemaschine und Eisspeicher sind ca. 10% ein vorteilhafter Grenzwert. Falls bei einer späteren Modell- adaption (beispielsweise Anpassung/Update der Modellparame¬ ter) eine Abweichung oberhalb eines Grenzwerts von 20% fest¬ gestellt wird, könnte eine Störung oder ein Fehler aufgetre¬ ten sein. Insbesondere weist eine typische Modellqualität ca. 5-6% Fehler auf.
Bevorzugt wird das mindestens eine Teilmodell durch eine li¬ neare oder nichtlineare Regression in Schritt c. bestimmt. Je nach Anwendungszweck kann ein beliebiges Regressionsmodell verwendet werden, um die Modellparameter der Teilmodelle zu erhalten, wodurch das Verfahren flexibel geändert werden kann .
Bevorzugt weist das Verfahren weiterhin den Schritt Filtern der Prozessdaten durch Bestimmen gleitender Mittelwerte für den mindestens einen Subdatensatz nach Schritt b. auf. Zu¬ sätzlich zu Schritt b., welcher auf das Aufteilen der Prozessdaten gerichtet ist können die Prozessdaten auch gefiltert werden. Wie bereits weiter oben als Beispiel ausgeführt, kann der Ladestand des Eisspeichers verändert werden und das Laden/Entladen über die Zeit ermittelt werden. Dieser Ladestand kann gefiltert werden, indem ein gleitender Mittelwert über den Ladestand bestimmt wird.
Die Erfindung ist auch auf eine Anlage gerichtet, aufweisend: a. Datenerfassungsmittel zum Ermitteln von Prozessdaten; b. Datenauswertemittel zum
Aufteilen der Prozessdaten in mindestens einen Subpro- zessdatensatz;
Bestimmen mindestens eines Teilmodells mit einem oder mehreren Modellparametern für den mindestens einen Sub- prozessdatensatz; Erzeugen eines Modells aus dem mindestens einen Teilmo¬ dell;
Validieren des Modells, aufweisend die Validierungs¬ schritte :
Ermitteln von weiteren Prozessdaten, aufweisend Eingangsdaten und Ausgangsdaten in einem Testzyklus;
Durchführen einer Simulation auf der Basis der Eingangsdaten und des Modells, um simulierte Daten zu gewinnen; Bestimmen einer Abweichung zwischen den simulierten Da- ten und den Ausgangsdaten; und
falls die Abweichung oberhalb mindestens eines vorbe¬ stimmten Grenzwerts liegt, Fortfahren mit Schritt a.; falls die Abweichung unterhalb des vorbestimmten Grenzwerts liegt, Ausgeben des validierten Modells.
Weitere vorteilhafte Ausführungsformen des erfindungsgemäßen Verfahrens werden in weiteren abhängigen Ansprüchen definiert . Die Erfindung betrifft ferner ein Computerprogramm, aufweisend Anweisungen zum Implementieren eines Verfahrens gemäß einem der vorhergehenden Ansprüche.
4. Kurze Beschreibung der Zeichnungen
In der folgenden detaillierten Beschreibung werden bevorzugte Ausführungsformen der Erfindung weiter beschrieben mit Bezug auf die folgenden Figuren. Fig. 1 zeigt ein Flussdiagramm eines erfindungsgemäßen Verfahrens zum Bestimmen eines Modells für eine Anlage.
Fig. 2 zeigt eine schematische Darstellung einer Modellstruktur nach einer Ausführungsform der Erfindung.
Fig. 3 zeigt eine schematische Darstellung eines Subprozess- datensatzes nach einer weiteren Ausführungsform der Erfindung . Fig. 4 zeigt eine perspektivische Ansicht einer beispielhaf¬ ten Anlage für welche ein Modell bestimmt werden soll.
Fig. 5 zeigt einen Verlauf der Temperatur über die Zeit mittels einer Temperaturmessung nach einer weiteren Ausführungsform der Erfindung.
Fig. 6 zeigt ein beispielhaftes Ergebnis einer Validierung mit ermitteltem Fehler.
5. Beschreibung der bevorzugten Ausführungsformen
Im Folgenden werden bevorzugte Ausführungsformen der vorliegenden Erfindung in Bezug auf die begleitenden Figuren beschrieben .
Die Figur 1 zeigt ein Ablaufdiagramm mit den erfindungsgemä¬ ßen Verfahrensschritten 10 bis 50. Wie bereits weiter oben dargestellt, kann durch das Verfahren ein Modell für eine Anlage 1 bestimmt werden, mithilfe dessen die Anlage 1 opti¬ miert geregelt werden kann.
Ein wichtiger Vorteil des erfindungsgemäßen Verfahrens ist darin zu sehen, dass die Anlage 1 während dieser Modellbe¬ stimmung weiterhin uneingeschränkt im Normalbetrieb oder an¬ deren bevorzugten Betriebsmodi betrieben werden kann. Dadurch können ein Stillstand der Anlage und damit verbundene Nach¬ teile vermieden werden, wie Produktionsausfall und Kosten.
Alternativ kann der Betrieb der Anlage 1 auch für die Dauer der Modellbestimmung unterbrochen werden und von einem Betriebszustand (Normalbetrieb (-zustand) ) in einen anderen Be¬ triebszustand (Ruhezustand) eintreten.
In einem ersten Verfahrensschritt werden Prozessdaten 12 ermittelt 10. Die Prozessdaten 12 können sich aus verschiedenen oder gleichen Daten oder Datentypen zusammensetzen. Die bei- spielhafte Anlage 1 weist mehrere Anlageeinheiten auf u.a. einen oder mehrere Sensoren. Die Anlage 1 wird weiter unten in Bezug auf die Figur 4 im Detail erläutert. Die Sensoren sind dazu geeignet, Sensorwerte (oder Messgrößen) der zugehö- rigen Anlageeinheiten (Kompressionskältemaschine, Eisspei¬ cher) als Prozessdaten 12 zu erfassen, wie die Temperatur T (siehe Figur 5) und Ladestand SOC des Eisspeichers. Auch wei¬ tere Sensorwerte, die nicht in den Figuren dargestellt sind, sind denkbar. In einer Ausführungsform der Erfindung werden für verschiedene Sensorwerte auch verschiedene Sensortypen eingesetzt, insbesondere ein Temperatursensor für die Erfas¬ sung der Temperatur. Dabei können die obigen Stellgrößen die gleichen oder unterschiedliche für verschiedene Anlagen sein. Im Falle, dass die Anlage 1 um zusätzliche Anlageeinheiten ergänzt wird, können neue Messgrößen hinzukommen und ebenfalls gemessen werden.
Ferner werden die obigen Prozessdaten 12 in einer weiteren Ausführungsform der Erfindung um Stellgrößen (wie Kältelast) und die Modellstruktur (Modellparameter noch unbekannt) erweitert. Dabei ist die Modellstruktur im Idealfall nur leicht anzupassen an eine neue oder veränderte Anlage.
Eine beispielhafte Modellstruktur ist in Figur 2 gezeigt. Die Figur 2 stellt die Modellstruktur anhand einer Tabelle oder Matrix dar. In der Spalte sind die Modelleigenschaften, wie Anlageneinheiten (Kompressionskältemaschine 60, Eisspeicher 70), deren Verknüpfungen und die Kältelast aufgeführt. Jede Modelleigenschaft kann durch eine oder mehrere entsprechende mathematische Gleichungen beschrieben werden. Jede mathemati¬ sche Gleichung umfasst die noch unbekannten Modellparameter C±, wobei i die Anzahl der unbekannten Modellparameter ist, sowie Variablen für die von den Sensoren erfassten Sensorwerte (hier Temperatur T) . Eine beispielhafte Gleichung ist in der Spalte der Kompressionskältemaschine in der zugehörigen ersten Zeile aufgeführt. Die gemessenen Prozessdaten 12 werden weiterhin in einem zweiten Schritt 20 in mindestens einen Subprozessdatensatz aufgeteilt. Hierzu können beispielsweise mehrere Subprozess- datensätze erzeugt werden indem der Subprozessdatensatz nach unterschiedlichen Kriterien aufgeteilt wird. Ein beispielhaftes Kriterium ist der Ladestand SOC.
Bei diesem Verfahrensschritt wird die Anlage vorzugsweise in einer solchen Weise betrieben, dass der gesamte Gültigkeits- bereich der jeweiligen Modelleigenschaften (Stellgrößen) aus der Matrix gemäß Figur 2 angefahren wird, um eine möglichst große Ausgangsbasis an Prozessdaten 12 für die Modellparame¬ terbestimmung zu erzeugen und möglichst das gesamte mögliche Anlageverhalten abzudecken. Bei der beispielhaften Anlage 1 wird versucht, den Eisspeicher 70 von 0% bis 100% zu laden bzw. zu entladen, um einen ersten Subprozessdatensatz für den Eisspeicher 70 (siehe Figur 2, Spalte 3) zu erzeugen. Der resultierende erste Subprozessdatensatz kann entsprechend be¬ nannt werden z.B. „Speicher-Laden". Die Änderung des Ladezu- Stands (SOC) im Gültigkeitsbereit von 0 bis 100% kann über die Zeit dargestellt werden (siehe Figur 3) .
Die Figur 3 stellt exemplarisch die Änderung des Ladezustands des Eisspeichers 70 (SOC [%] auf der y-Achse) über die Zeit (t auf der x-Achse) dar. Der Speicher 70 wird in zwei Lade¬ vorgängen (Laden 1 und Laden 2) auf 100% geladen. In dem jeweiligen Ladevorgang steigt der Ladezustand SOC [%] entspre¬ chend bis zum Maximum von 100% an (Laden) und sinkt danach auf 0% ab (Entladen) . Die Anlage 1 kann weiterhin auf eine andere Art und Weise betrieben und angesteuert werden, um auf das Anlageverhalten und Modelleigenschaften Einfluss zu nehmen und weitere Subprozessdatensätze zu generieren. Zusätz¬ lich oder alternativ können die gemessenen Prozessdaten 12 in einem weiteren Schritt gefiltert werden.
Aus dem einen oder den mehreren Subprozessdatensätzen werden in einem dritten Schritt 30 zugehörige ein oder mehrere Teil¬ modelle mit einem oder mehreren Modellparametern C± für die Subprozessdatensätze bestimmt. Beispielsweise wird aus einer Mehrzahl von Subprozessdatensätzen auch eine Mehrzahl von Teilmodellen erzeugt. In einem Aspekt der Erfindung entsprechen die Modelleigenschaften und deren mathematischen Glei- chungen der Figur 2 (wie Eisspeicher) den Subprozessdatensät- zen und auch Teilmodellen. Die Teilmodelle können individuell vor Beginn der Modellparameterbestimmung ausgewählt werden.
In einer Ausführungsform der Erfindung können die unbekannten Modellparameter für die Teilmodelle können durch Anwenden einer Funktion auf die Subprozessdatensätze ermittelt werden. Beispielsweise kann als eine Funktion ein Regressionsmodell (lineare oder nicht lineare Regression) . Die nachfolgende Gleichung ist eine beispielhafte mathemati¬ sche Gleichung zur Ermittlung der Wärmeübertragereffektivität des Speichers 8 in Abhängigkeit der gemessenen Temperaturen
Figure imgf000014_0001
ε = (Tin-Tout) / (Tin-TPCM) , wobei Tin die Eintrittstemperatur, Tout die Austrittstemperatur und TPCM die Phasenveränderungs¬ temperatur ist.
Die nachfolgende Gleichung ist eine beispielhafte lineare Re- gression für das Laden des Energiespeichers, um den Subdaten- satz oder das Teilmodell („Speicher-Laden") zu erhalten: ε = SOC1 , wobei c± die Anzahl der Modellparameter ist. Daher sind insgesamt die Modellstruktur (mit den Teilmodellen und deren mathematischen Gleichungen) , die Verknüpfung der Teilmodelle und auch deren Modellparameter nach Schritt 30 bestimmt. Anhand dieser gewonnenen Informationen (Schritte 10 bis 30) kann in einem weiteren Verfahrensschritt 40 das Mo- dell aus den Teilmodellen erzeugt werden.
In anderen Worten ausgedrückt sind alle Informationen bis auf die Modellparameter für die Teilmodelle vor Durchführung des Verfahrens bekannt. Diese Teilmodelle sind mathematische Gleichungen, die durch Variablen miteinander gekoppelt sind. Daher können die Teilmodelle ohne weiteren Aufwand oder eine Berechnung zusammengefügt werden.
Das resultierende Modell wird in einem letzten Schritt 50 va¬ lidiert, um eine ausreichende Modellgüte zu erhalten. Eine ausreichende Modellgüte wurde im in Figur 6 dargestellten Beispiel nach 8 Tagen erreicht.
Im Validierungsschritt 50 wird die Anlage 1 betrieben und weitere Prozessdaten 14 werden in einem separaten Schritt a. ermittelt. Die Prozessdaten 14 weisen Eingangsdaten und Ausgangsdaten auf. Aus den Eingangsdaten und dem ermittelten Mo- dell können simulierte Daten gewonnen werden. Die simulierten Daten werden mit den Ausgangsdaten verglichen und deren Abweichung bestimmt.
Beispielsweise kann der simulierte Datensatz Ladestand (SOC) gegen den gemessenen weiteren Prozessdatensatz (SOC) aufgetragen werden. Daraus ergibt sich ein Parity Plot. In diesem Parity Plot sollten im Idealfall alle Punkte auf einer Ur¬ sprungsgeraden liegen. In der Regel gibt es eine kleine Abweichung oder Fehler von dieser Ursprungsgeraden, die es zu minimieren gilt. Der Fehler wird im bevorzugten Ausführungsbeispiel als die Schranke oder der Grenzwert angegeben, in der 90% aller Datenpunkte liegen.
Falls die Abweichung einen vorbestimmten Grenzwert über- schreitet, werden die Verfahrensschritte 10 bis 50 zunächst wiederholt .
Falls die Abweichung den vorbestimmten Grenzwert unterschrei¬ tet, ist die Abweichung tolerierbar und das Modell kann aus- gegeben werden. Der Grenzwert wird vordefiniert und kann be¬ liebig geändert werden. In Figur 6 ist der Grenzwert gestrichelt dargestellt. Ab 8 Tagen unterschreitet die Abweichung den Grenzwert 101 und die Modellgüte ist ausreichend. Damit kann das Modell ausgegeben werden und das Verfahren ist beendet.
Die Figur 4 zeigt eine Anlage mit mehreren Anlageeinheiten und deren Anordnung. Die Anlage weist eine Energiewandlungs¬ einheit (EWE) 60 und einen Energiespeicher (ES) 70 auf. Die Energiewandlungsmittel 60 sind in einer Ausführungsform der vorliegenden Erfindung die Kompressionskältemaschine und der Energiespeicher 70 ein Eisspeicher. Die Kompressionskältemaschine ist dazu geeignet, elektrische Energie in thermische Energie umzuwandeln, welche von dem Eisspeicher gespeichert werden kann. Die thermische Energie (Kälte) des Eisspeichers zur Kühlung beispielsweise eines Gebäudes kann durch die Käl¬ telast 80 definiert werden. Diese Kältelast 80 und weitere Stellgrößen Tin, SOC, Tout des Energiespeichers können von den Datenerfassungsmitteln 92 erfasst werden. In einem Aspekt der Erfindung wird die Temperatur von einem Temperatursensor ge- messen, wie bereits weiter oben beschrieben. Diese Sensordaten werden mit der Modellstruktur ergänzt und an die Daten- auswertemittel 94 gesendet. Die Datenauswertemittel 94 können das erfindungsgemäße Verfahren zur Bestimmung eines Modells durchführen, wie oben im Detail erläutert.
Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .
Die Implementierung der vorstehend beschriebenen Prozesse oder Verfahrensabläufe kann anhand von Instruktionen erfol- gen, die auf computerlesbaren Speichermedien oder in flüchtigen Computerspeichern (im Folgenden zusammenfassend als computerlesbare Speicher bezeichnet) vorliegen. Computerlesbare Speicher sind beispielsweise flüchtige Speicher wie Caches, Puffer oder RAM sowie nichtflüchtige Speicher wie Wechselda¬ tenträger, Festplatten, usw.
Die vorstehend beschriebenen Funktionen oder Schritte können dabei in Form zumindest eines Instruktionssatzes in/auf einem computerlesbaren Speicher vorliegen. Die Funktionen oder Schritte sind dabei nicht an einen bestimmten Instruktions¬ satz oder an eine bestimmte Form von Instruktionssätzen oder an ein bestimmtes Speichermedium oder an einen bestimmten Prozessor oder an bestimmte Ausführungsschemata gebunden und können durch Software, Firmware, Microcode, Hardware, Prozes¬ soren, integrierte Schaltungen usw. im Alleinbetrieb oder in beliebiger Kombination ausgeführt werden. Dabei können verschiedenste Verarbeitungsstrategien zum Einsatz kommen, bei- spielsweise serielle Verarbeitung durch einen einzelnen Prozessor oder Multiprocessing oder Multitasking oder Parallelverarbeitung usw.
Die Instruktionen können in lokalen Speichern abgelegt sein, es ist aber auch möglich, die Instruktionen auf einem entfernten System abzulegen und darauf via Netzwerk zuzugreifen.
Der Begriff "Prozessor", "zentrale Signalverarbeitung" oder „Datenauswertemittel" , wie hier verwendet, umfasst Verarbei- tungsmittel im weitesten Sinne, also beispielsweise Server, Universalprozessoren, Grafikprozessoren, digitale Signalprozessoren, anwendungsspezifische integrierte Schaltungen
(ASICs) , programmierbare Logikschaltungen wie FPGAs, diskrete analoge oder digitale Schaltungen und beliebige Kombinationen davon, einschließlich aller anderen dem Fachmann bekannten oder in Zukunft entwickelten Verarbeitungsmittel. Prozessoren können dabei aus einer oder mehreren Vorrichtungen bestehen. Besteht ein Prozessor aus mehreren Vorrichtungen, können diese zur parallelen oder sequentiellen Verarbeitung von In- struktionen konfiguriert sein.

Claims

Verfahren zum Bestimmen eines Modells für eine Anlage (1), aufweisend die folgenden Schritte: a. Ermitteln von Prozessdaten (10, 12);
b. Aufteilen der Prozessdaten (12) in mindestens einen Subprozessdatensatz (20);
c. Bestimmen mindestens eines Teilmodells mit einem oder mehreren Modellparametern für den mindestens einen Subprozessdatensatz (30);
d. Erzeugen eines Modells aus dem mindestens einen
Teilmodell (40) ;
e. Validieren des Modells (50), aufweisend die Vali¬ dierungsschritte :
Ermitteln von weiteren Prozessdaten (14), aufweisend Eingangsdaten und Ausgangsdaten in einem Testzyklus ;
Durchführen einer Simulation auf der Basis der Eingangsdaten und des Modells, um simulierte Daten zu gewinnen ;
Bestimmen einer Abweichung zwischen den simulierten Daten und den Ausgangsdaten; und
falls die Abweichung zumindest oberhalb mindestens eines vorbestimmten Grenzwerts liegt, Fortfahren mit Schritt a . ;
falls die Abweichung zumindest unterhalb des vorbe¬ stimmten Grenzwerts liegt, Ausgeben des validierten Modells .
Verfahren nach Anspruch 1, wobei die Prozessdaten (12, 14) Messgrößen, Stellgrößen und/oder eine Modellstruktur aufweisen .
Verfahren nach Anspruch 2, wobei eine Messgröße die elektrische Last oder die Temperatur ist, welche über eine bestimmte Zeitdauer mittels mindestens eines Sen- sors (92) gemessen wird und die Stellgröße die Kältelast ist .
Verfahren nach Anspruch 2, wobei die Modellstruktur den Anlagentyp, Anlageeinheiten und/oder deren Verknüpfung festlegt .
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Zeitdauer mehrere Tage beträgt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei der Grenzwert 10% beträgt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das mindestens eine Teilmodell durch eine lineare oder nichtlineare Regression in Schritt c. bestimmt wird.
Verfahren nach einem der vorhergehenden Ansprüche, weiterhin aufweisend den Schritt Filtern der Prozessdaten (12) durch Bestimmen gleitender Mittelwerte für den mindestens einen Subprozessdatensatz nach Schritt b . ;
Anlage, aufweisend: a. Datenerfassungsmittel (92) zum Ermitteln von Pro¬ zessdaten (10, 12);
b. Datenauswertemittel (94) zum
Aufteilen der Prozessdaten (12) in mindestens einen Subprozessdatensatz (20);
Bestimmen mindestens eines Teilmodells mit einem oder mehreren Modellparametern für den mindestens einen Subprozessdatensatz (30);
Erzeugen eines Modells aus dem mindestens einen Teilmodell (40) ;
Validieren des Modells (50), aufweisend die Vali¬ dierungsschritte : Ermitteln von weiteren Prozessdaten (14), aufweisend Eingangsdaten und Ausgangsdaten in einem Testzyklus ;
Durchführen einer Simulation auf der Basis der Eingangsdaten und des Modells, um simulierte Daten zu gewinnen ;
Bestimmen einer Abweichung zwischen den simulierten Daten und den Ausgangsdaten; und
falls die Abweichung zumindest oberhalb mindestens eines vorbestimmten Grenzwerts liegt, Fortfahren mit Schritt a . ;
falls die Abweichung zumindest unterhalb des vorbe¬ stimmten Grenzwerts liegt, Ausgeben des validierten Modells .
Anlage nach Anspruch 9, wobei das Datenerfassungsmittel (92) mindestens einen Sensor zum Messen der Messgrößen über eine bestimmte Zeitdauer aufweist.
Anlage nach Anspruch 9, wobei die Anlage weiterhin Energiewandlungsmittel (60) aufweist, insbesondere eine Kompressionskältemaschine, welche elektrische Energie in thermische Energie umwandeln kann.
Anlage nach einem der Ansprüche 9 bis 11, wobei die An¬ lage weiterhin einen Energiespeicher (70) aufweist, insbesondere einen Eisspeicher.
Computerprogramm, aufweisend Anweisungen zum Implementieren eines Verfahrens gemäß einem der vorhergehenden Ansprüche 1 bis 8.
PCT/EP2017/059320 2016-05-04 2017-04-20 Verfahren zum bestimmen eines modells WO2017190956A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016207740.6A DE102016207740A1 (de) 2016-05-04 2016-05-04 Verfahren zum Bestimmen eines Modells
DE102016207740.6 2016-05-04

Publications (1)

Publication Number Publication Date
WO2017190956A1 true WO2017190956A1 (de) 2017-11-09

Family

ID=58664652

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/059320 WO2017190956A1 (de) 2016-05-04 2017-04-20 Verfahren zum bestimmen eines modells

Country Status (2)

Country Link
DE (1) DE102016207740A1 (de)
WO (1) WO2017190956A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018201459A1 (de) * 2018-01-31 2019-08-01 Siemens Aktiengesellschaft Verfahren sowie System zur Überprüfung eines Energieversorgungssystems
DE102019207059A1 (de) * 2019-05-15 2020-11-19 Siemens Aktiengesellschaft Verfahren zur Validierung von Systemparametern eines Energiesystems, Verfahren zum Betrieb eines Energiesystems sowie Energiemanagementsystem für ein Energiesystem
DE102019207061A1 (de) * 2019-05-15 2020-11-19 Siemens Aktiengesellschaft Verfahren zur Validierung von Systemparametern eines Energiesystems, Verfahren zum Betrieb eines Energiesystems sowie Energiemanagementsystem für ein Energiesystem

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6049738A (en) * 1996-03-13 2000-04-11 Hitachi, Ltd. Control model modeling support system and a method therefor

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013202155A1 (de) * 2013-02-08 2014-08-14 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zum Prüfen oder Identifizieren einer Modellstruktur
DE102013225768A1 (de) * 2013-12-12 2015-06-18 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines LOLIMOT-Modells

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6049738A (en) * 1996-03-13 2000-04-11 Hitachi, Ltd. Control model modeling support system and a method therefor

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAVID ZOGG ET AL: "Forschungsprogramm Umgebungs-und Abwärme, Wärme-Kraft-Kopplung (UAW) Kurztestmethode für Wärmepumpenanlagen Phase 1 bis 3: Messung, Modellierung und Erprobung der Parameteridentifikation", 1 November 1998 (1998-11-01), pages 1 - 104, XP055394058, Retrieved from the Internet <URL:http://www.waermepumpe.ch/fe/Re_KTWP13_SB.pdf> [retrieved on 20170726] *
MARTIN ZOGG: "Kurztest-Methode für Wärmepumpenanlagen", 1 January 1999 (1999-01-01), XP055394064, Retrieved from the Internet <URL:http://www.e-periodica.ch/cntmng?pid=sbz-003:1999:117::369> DOI: 10.5169/seals-79744 *
ROBERT G SARGENT: "Verifying and validating simulation models", 20141207; 20141207 - 20141210, 7 December 2014 (2014-12-07), pages 118 - 131, XP058063101, DOI: 10.1109/WSC.2014.7019883 *

Also Published As

Publication number Publication date
DE102016207740A1 (de) 2017-11-09

Similar Documents

Publication Publication Date Title
DE102011102034B4 (de) Online-Abgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb
EP2948785B1 (de) Verfahren zur ermittlung eines regelungstechnischen beobachters für den soc
EP2587329B1 (de) Unterstützung der Fehlerdiagnose einer Industrieanlage
EP2999998B1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP1552128B1 (de) Verfahren, steuerungsger t und computer-programm zur detektion fehlerhafter drucksensoren bei einer brennkraftmaschine
DE112016006546T5 (de) Qualitätskontrollvorrichtung, qualitätskontrollverfahren und qualitätskontrollprogramm
EP3268713B1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
WO2017190956A1 (de) Verfahren zum bestimmen eines modells
DE102019124483A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
EP3035281A1 (de) Energieeffizienzanalyse einer technischen anlage aus simulation und verbrauch
EP2588925B1 (de) Verfahren und vorrichtung zur ermittlung von modellparametern zur regelung eines dampfkraftwerksblocks, regeleinrichtung für einen dampferzeuger und computerprogrammprodukt
EP2067080B1 (de) Verfahren zum betreiben einer grosstechnischen anlage sowie leitsystem für eine grosstechnische anlage
EP4001938A1 (de) Computergestütztes verfahren zum bestimmen von zustandsgrössen eines batteriespeichers und batteriespeicher
DE102006045785A1 (de) Verfahren zur Selbstdiagnose von Versuchsanordnungen sowie Versuchsanordnung, insbesondere Prüfstand
EP2280322B1 (de) Verfahren zur automatisierten Inbetriebnahme und/oder zum automatisierten Betrieb von Reglern eines elektrischen Antriebssystems mit schwingungsfähiger Mechanik sowie zugehörige Vorrichtung
DE102019128655B4 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
WO2021032696A1 (de) Verfahren zur steuerung eines produktionsprozesses zur herstellung von bauteilen
WO2021092640A1 (de) Verfahren und system zum kalibrieren einer steuerung einer maschine
DE60126404T2 (de) Vorrichtung und verfahren zum simulieren und analysieren eines systems mit ausfallmoden
EP3928033A1 (de) Verfahren zum steuern einer gasturbine
WO1999041650A1 (de) Prozess- und anlagendiagnoseverfahren
DE102019126292A1 (de) System und Verfahren zum Vorhersagen einer analytischen Anomalie bei der rechnerischen Fluiddynamikanalyse
EP3491517B1 (de) Signalflussbasiertes computerprogramm mit direct-feedthrough-schleifen
EP1647676B1 (de) Verfahren zur Simulation des Betriebsverhaltens einer Dampfturbinenanlage
DE102020116022A1 (de) Verfahren zur zustandsbasierten Instandhaltung einer Zugangsvorrichtung

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17720709

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17720709

Country of ref document: EP

Kind code of ref document: A1