WO2020229050A1 - Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem - Google Patents

Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem Download PDF

Info

Publication number
WO2020229050A1
WO2020229050A1 PCT/EP2020/059352 EP2020059352W WO2020229050A1 WO 2020229050 A1 WO2020229050 A1 WO 2020229050A1 EP 2020059352 W EP2020059352 W EP 2020059352W WO 2020229050 A1 WO2020229050 A1 WO 2020229050A1
Authority
WO
WIPO (PCT)
Prior art keywords
system parameters
model function
energy
component
measurement data
Prior art date
Application number
PCT/EP2020/059352
Other languages
English (en)
French (fr)
Inventor
Arvid Amthor
Oliver DÖLLE
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 WO2020229050A1 publication Critical patent/WO2020229050A1/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
    • 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

Definitions

  • the invention relates to a method according to the preamble of patent claim 1, a method for operating (operating method) an energy system according to the preamble of patent claim 11 and an energy management system according to the preamble of claim 15.
  • Model-based operating procedures require that the components of the energy system (system components) and their behavior are characterized or mapped using mathematical models, that is to say using a model function.
  • system parameters are required for modeling a component of the energy system, which parameterize the model function of the component. These system parameters must be determined as precisely as possible so that the model function describes or depicts the actual or real operation of the component as best as possible.
  • the system parameters are typically recorded manually, i.e. offline.
  • this manual identification of the system parameters increases the effort significantly, so that the costs, in particular when the component is put into operation, are significantly increased.
  • the susceptibility to errors is Manual parameter identifications in contrast to automated, that is, online parameter identification, increased.
  • a computer-assisted, automated identification of system parameters is therefore known from the prior art.
  • measured values of input variables are recorded in advance over a defined value range of the input variables.
  • these are processed into a measurement data set.
  • the system parameters are identified by means of the processed measured values, that is to say by means of the measurement data set.
  • the identified system parameters are validated. The validation of the system parameters (assessment of the quality of the identified system parameters) is necessary to ensure the correctness of the system parameters and thus the model.
  • the validation is carried out by comparing the model with measurement data, this comparison being carried out using the root-mean-squared error (abbreviated RMSE).
  • RMSE root-mean-squared error
  • a particular problem is that typically the measured values of the input variables are not available over the entire working range of the component and / or the measured values or measured data have multicollinearity.
  • the measured values of the input variables are recorded within a value range that typically does not correspond to the total possible working range of the component or the energy system.
  • the RMSE can be sufficiently minimized in the area of the recorded measured values (value range), but outside this value range and still within the component's working range, the RMSE can be significantly increased. However, this increase is not recognizable from known validations.
  • the RMSE is dependent on the range of input variables considered (value range), for which measured values of the input variables were recorded or which the measured values of the input variable cover or which is covered by the measurement data set. Accordingly, a robust validation of the system parameters with known automated parameter identifications using known metrics (RMSE and / or CVRMSE) is not possible. In practice, this effect is intensified in the case of complex models with a higher number of system parameters and / or several influencing variables. In particular for exogenous influencing variables, there is typically no direct control access to the individual exogenous influencing variables, so that these cannot be specifically stimulated and thus recorded.
  • the present invention is based on the object of providing an improved method for validating system parameters of at least one component of an energy system.
  • the modification of the system parameters is characterized by at least the following steps:
  • the system parameters are validated using the confidence interval. This advantageously improves the validation of the system parameters, so that in particular the energy system can be operated in an improved or more efficient manner, for example based on a model-predictive control that comprises a method according to the present invention and / or one of its configurations.
  • the confidence interval is calculated as a function of the standard deviation of the system parameters and as a function of the confidence limit.
  • the system parameters or their determined mean values are provided for parameterizing the model function.
  • the model function typically depends on several input variables and several system parameters and has one or more output variables.
  • the input variables, the output variables and the system parameters can each be combined to form a vector, which is noted in bold.
  • the input variables can also be divided into exogenous and endogenous input variables.
  • a typical model function is the efficiency and / or the coefficient of performance of the component, for example an energy conversion system. The component absorbs energy input flows p in and converts them into energy output flows p out . This energy conversion can depend on the exogenous input variables v and the system parameters q.
  • Examples of energy conversion systems are heat pumps, chillers, diesel generators, combined heat and power plants, photovoltaic systems, wind turbines, biogas systems, waste disposal combustion systems and / or sensors and / or other components.
  • the system parameters are typically determined by means of a measurement data record.
  • the method according to the invention can be a sub-step of an automatic parameter identification.
  • measured values recorded in advance in particular with regard to the input variable, are processed, in particular filtered.
  • a measurement data set in particular a training data set, is thereby provided.
  • the measurement data can also be generated and provided synthetically, for example by means of a simulation and / or a prognosis. The measurement data therefore do not necessarily have to be based on actually recorded measurement values, but can at least partially, in particular completely, have been generated synthetically.
  • the measurement data can be available for a training area that is in particular smaller than or equal to the value range of the input variable.
  • the measurement data can be divided into training data and further measurement data (test data), the training data being used to determine the system parameters.
  • the measurement data can thus be the training data or at least include them.
  • a second step of the automatic parameter identification the system parameters are identified, that is to say determined, on the basis of the measurement data.
  • the present invention relates to a third step of an automated parameter identification, that is to say a validation of the system parameters determined from the measurement data.
  • the third step of an automated parameter identification according to the invention comprises a method for validation according to the present invention and / or one of its configurations.
  • the system parameters are determined statistically on the basis of the measurement data.
  • the system parameters thus basically have a standard deviation that is calculated or ascertained or determined in a first step of the method according to the invention.
  • the standard deviation here quantifies at least the variation of the determined system parameters with respect to an actual and / or simulated operation of the component or the energy system.
  • the confidence limit is calculated or ascertained or determined as a function of the calculated standard deviation.
  • a confidence interval can be determined by means of the confidence limit Y.
  • the confidence interval typically has a lower and an upper confidence limit.
  • the upper and lower confidence bounds can have the same amount, so that the confidence interval has a width of 2Y.
  • the confidence interval of the model function is thus determined, for example, by [h (q, X) - Y (q, X), h (q, X) + Y (q, X)]. If the model function is in particular the efficiency of the component, which is determined by the system parameters q, the exogenous input variables v and the energy input flows p; n is dependent, i.e.
  • the confidence interval can be [h (q, v, p in ) - Y (q, v, p in ), h (q, v, p in ) + Y (q, v, p in )] must be specified.
  • the confidence bound is related That is, the confidence interval is also a function of the system parameters, the endogenous and / or exogenous input variables and / or the variances and covariances of the system parameters.
  • the confidence interval or the confidence limit corresponds to the information content of the measurement data for the model function. Accordingly, the greater the variance of the input variables, in particular the exogenous input variables, the smaller the confidence interval or the confidence limit in terms of amount. The confidence interval or the confidence limit is still smaller in terms of amount, the better the fit with regard to the parameter identification (regression), the lower the correlations between the input variables, and / or the larger the distance between the value of v or p in is the mean value of training data and / or the greater the number of training data available.
  • the system parameters are defined as valid if a confidence interval of the model function h formed by means of the confidence limit Y is greater than zero within a value range defined for the input variable and less than or equal to a defined limit model function .
  • this condition in particular the limit model function, defines the consistency of the system parameters.
  • the system parameters are checked for plausibility.
  • the consistency or plausibility is quantified and determined by the limit model function.
  • the boundary model function can be defined depending on the required consistency.
  • the limit model function thus corresponds to a consistency / plausibility that the system parameters are allowed to exhibit.
  • the confidence interval and the limit model function are also a function with regard to the input variables. For example, that will Confidence interval formed by [h (q, X) - Y (q, X), h (q, X) + Y (q, X)], and is therefore also a function of the endogenous and / or exogenous input variables as well as the System parameters.
  • the system parameters are valid if the conditions 0 ⁇ (h (q, X) ⁇ Y (q, X)) £ h * (q, X) are met, where h * (q, X) denotes the limit model function.
  • the limit model function can also be dependent on the system parameters q and / or the input variables X. Furthermore, all reformulations that are mathematically equivalent to the conditions mentioned are also part of the present invention.
  • the present invention thus provides a validation of the system parameters as a function of the consistency / plausibility of the system parameters.
  • the consistency is advantageously based on statistical considerations, in the present case essentially on the confidence interval or the above-mentioned conditions.
  • the consistency / plausibility of the system parameters actually present or their values is greater, the smaller the confidence interval. In other words, it typically applies that the wider or larger the confidence interval, the smaller the consistency / plausibility of the system parameters actually available.
  • the required or desired consistency / plausibility can then be determined via the limit model function. The smaller the limit model function in an operating point, the more plausible the system parameters are there.
  • the present invention thus enables a robust quality assessment of the model over the entire or complete work area of the component, even if no measurement data is available over this entire work area.
  • the present invention enables a meaningful and statistically reliable extrapolation from to Identification of the system parameters defined or considered value range of the input variables for the entire or complete work area of the component.
  • required information for example limits of the working range, limits for the width of the confidence interval and limits for the degree of efficiency, as used in the present invention, can be interpreted physically well. This is particularly advantageous in the case of a quality assessment of gray box models and / or black box models, since with these a physical interpretation of the individually identified system parameters is typically difficult or impossible.
  • the energy system is controlled at least partially by means of a model predictive control based on at least one model function of at least one component of the energy system.
  • the method according to the invention for operating an energy system is characterized in that the system parameters of the model function on which the model predictive control is based are defined as valid for the control by means of a method for validation according to the present invention and / or one of its configurations.
  • the model predictive control is advantageously based on the value range of the input variable, which is typically smaller than the working range of the component. This means that the confidence interval or the model function can be extrapolated to the work area. Taking into account the working range, if at all possible, is not necessary due to the use of the confidence limit or the confidence interval according to the invention.
  • the system parameters are only identified by means of the values of the input variables within the value range, but these can be extrapolated to the larger working range in a statistically quantifiable manner due to the validation according to the invention. In other words, it can be determined whether the model or the model predictor tive regulation is also valid for areas outside the value range or value ranges taken into account for the determination of the system parameters.
  • a model predictive control according to the invention comprises a method for validation according to the present invention and / or one of its configurations.
  • a parameter identification according to the invention comprises a method for validation according to the present invention and / or one of its configurations.
  • the energy management system according to the invention for an energy system comprises a measuring unit and a computing unit, with the measuring unit being able to record several measured values relating to system parameters of at least one component of the energy system and providing the associated measured data.
  • the computing unit is designed to carry out a method according to one of the preceding claims.
  • the computing unit comprises a computer, a quantum computer, a server, a cloud server and / or other distributed network and / or computing systems.
  • the limit model function is dependent on the at least one input variable.
  • the limit model function can alternatively also be constant, that is to say, for example, only have one value. In this sense, the limit model function then forms a threshold value.
  • the limit model function is formed by means of an efficiency from a data sheet of the component.
  • the limit model function can be 200% times the efficiency specified in the data sheet.
  • h * (q, X) 2 ⁇ h data sheet ⁇
  • h * (q, X) C ⁇ h Carnot , where h Carnot denotes the Carnot efficiency of the component, and / or h * (q, X) is given by a complex nonlinear model.
  • the range of values is set equal to a working range of the component.
  • the working range of the component with regard to the input variable is characterized by the values of the input variable that the input variable accepts or can accept during operation of the component.
  • the range of values that is used for the validation according to the present invention is preferably essentially the same as this working range.
  • the standard deviation is calculated using a covariance matrix S q of the system parameters determined from the measurement data.
  • the covariance matrix corresponds to the reciprocal of the Fisher information matrix, so that it advantageously enables direct conclusions to be drawn about the information content of the measurement data.
  • the information content of the measurement data or measurement values is advantageously taken into account in the validation.
  • the covariance matrix using S q is particularly preferred
  • the standard deviation is calculated using
  • the confidence limit is calculated using the product of a value of the student's t-distribution and the standard deviation.
  • the corresponding confidence interval is thus preferably given by [h (q, v, p in ) - t 1-a / 2 ⁇ s h (q, v, p in ) , h (q, v, p in ) + t 1 -a / 2 ⁇ s h (q, v, p in )].
  • the system parameters are defined as valid if 0 ⁇ (h ⁇ Y £ h * , where h * designates the defined limit model function.
  • the conditions mentioned are a function of the input variables X, so that the system parameters q are defined as valid if 0 ⁇ (h (q, X) + Y (q, X)) ⁇ h * (q , X) is.
  • the confidence limit Y is preferably determined or calculated using the Student t-distribution and the model function corresponds to the degree of effectiveness and / or the coefficient of performance of the component, so that the system parameters are defined as valid in this case if 0 ⁇ (h (q , v, p in ) ⁇ Y (q, V, p in , t 1-a / 2 )) £ h * (q, v, p in ).
  • the confidence bound therefore also depends on the significance level a.
  • Black box models - the efficiencies and / or, if necessary, the system parameters are checked or checked for plausibility.
  • One such secondary condition for the efficiency is, for example, that it is below the Carnot efficiency that is theoretically possible for the process. Further plausibility tests can be provided, in particular positive and negative limits can be set for the individual components of the energy system, which the efficiency and / or the confidence interval must not exceed over the entire working range of all input variables. Identified system parameters should not be used if, for example, the efficiency at certain operating points assumes a value less than zero.
  • Such secondary conditions can also result from the technical data sheet of the component.
  • the boundary model function can be formed by such a secondary condition.
  • the system parameters are determined from measurement data, in particular training data, of the energy system.
  • the measured data are preferably determined automatically based on the recorded measured values.
  • the measurement data are generated synthetically and made available, for example by means of a simulation and / or a prognosis.
  • the measured values are processed, in particular filtered, for determining the measured data.
  • these are divided into training data and further measurement data. This advantageously improves the accuracy of the determination of the system parameters and their validation. Overall, this improves the automated parameter identification and the model predictive control.
  • FIG. 1 shows a flow chart of an automated parameter identification according to the invention
  • FIG. 2 shows a diagram to illustrate a confidence interval or a confidence limit using the example of an input variable.
  • FIG. 1 shows a parameter identification P according to the invention, which comprises a computer-aided method according to the invention for validating system parameters as a step or partial step.
  • the parameter identification P according to the invention can be part of a model-predictive control of an energy system, so that in this regard, one can also speak of a validation of the model, which is essentially represented by a model function.
  • the energy system is thus, for example, in particular at least one of its components, at least partially regulated by means of a model predictive regulation, the model function being provided for regulation, which typically has several system parameters.
  • a model predictive regulation typically has several system parameters.
  • There is a para- metrization of the model required, that is, the values or the system parameters must be identified and / or determined and / or ascertained so that the model can be used for regulating the energy system or its operation.
  • the model function depends on one or more input variables, for example an electrical and / or thermal power / energy, and quantifies the dependence of one or more output variables of the component, for example an electrical and / or thermal power / energy, as a function of the input variables.
  • the system parameters parameterize this dependency.
  • exogenous input variables are a temperature, for example an outside temperature, a pressure, a wind speed, and / or other physical variables.
  • the system parameters parameterize the model function. Typically, these appear in the model function together with one of the input variables, for example in the form of a product of system parameters and input variable.
  • the system parameters have no direct physical interpretation. However, these can, for example, correspond to thermal losses (heat losses) and / or thermal resistances.
  • the automated parameter identification P comprises a first step P1, a second step P2 and a third step P3.
  • the system parameters 41 of the model or the model function are identified using the measurement data set determined in the first step PI.
  • the system parameters 41 identified in the second step P2 are validated.
  • the validation is carried out in accordance with the embodiment of the invention shown using a validation method according to the invention (method for validation).
  • the identified system parameters 41 are analyzed with regard to their information content. According to the invention, this is made possible by calculating and using the confidence limit or the confidence interval. This advantageously enables the identification, determination and / or determination of the system parameters 41 to be carried out on a smaller value range of the input variables, but nevertheless a statement about the validity of the system parameters 41 over a typically significantly larger working range of the components. te can be taken. This improves the control of the component or the energy system, in particular within the entire working range of the component.
  • the system parameters 41 recognized as valid are then used for the model predictive control.
  • FIG. 2 shows a diagram to illustrate a confidence interval or a confidence limit for an input variable.
  • the input variable for example an exogenous input variable v
  • v is plotted in any units on the abscissa 100 of the diagram shown.
  • the model function h in particular the degree of efficiency and / or the coefficient of performance of the component, is plotted in any units on the ordinate 101 of the diagram.
  • the functional dependence of the model function, in particular the efficiency, on the input variable is shown by curve 10.
  • the model function is thus also identified with the reference symbol 10.
  • the input variable has a minimum and maximum value which form the limits of a working area 24 of the component. In other words, the input variable assumes the values within the working range 24 via the operation of the component.
  • system parameters for parameterizing the model function 10 are identified and / or ascertained and / or determined
  • the system parameters are identified or ascertained or determined over a defined value range 22 of the input variable.
  • the measurement data of the input variable are available within a training data range 23 and not within the defined value range 22, the value range 22 preferably corresponding to the entire working range 24 of the component. In this sense, the consistency of the system parameters can be determined by means of the confidence interval over the entire working range 24.
  • the confidence interval is calculated using the confidence limit 42.
  • the confidence limit 42 or the confidence interval is shown in FIG. 2 by the two curves delimiting the model function 10. It can be seen that the size or width of the confidence interval, formed by means of the upper and lower confidence bound, depends on the value of the input variable. This reflects the different consistency / plausibility of the system parameters or the model for different values of the input variable.
  • the system parameters are recognized as valid if this is done using the Confidence interval of the model function h formed within the working range 24 of the input variable, greater than zero and less than or equal to the defined limit model function, is formed by the confidence bounds 42.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Es wird ein Verfahren zur Validierung von mittels Messdaten ermittelten Systemparametern (41) für eine Modellfunktion ŋ (10) wenigstens einer Komponente eines Energiesystems vorgeschlagen, wobei die Modellfunktion ŋ (10) wenigstens eine Abhängigkeit wenigstens einer Ausgangsgröße der Komponente von wenigstens einer Eingangsgröße der Komponente unter Berücksichtigung der Systemparameter (41) kennzeichnet. Das erfindungsgemäße Verfahren ist wenigstens durch die folgenden Schritte gekennzeichnet: - Berechnen einer Standardabweichung der aus den Messdaten ermittelten Systemparameter (41); - Berechnen einer Konfidenzschranke Ψ (42) in Abhängigkeit der berechneten Standardabweichung; und - Festlegen der Systemparameter (41) als valide, wenn ein mittels der Konfidenzschranke Ψ (42) gebildetes Konfidenzintervall der Modellfunktion ŋ (10) innerhalb eines für die Eingangsgröße festgelegten Wertebereiches größer als null und kleiner oder gleich einer festgelegten Grenzmodellfunktion ist. Weiterhin betrifft die Erfindung ein Verfahren zum Betrieb eines Energiesystems sowie ein Energiemanagementsystem für ein Energiesystem.

Description

Beschreibung
Verfahren zur Validierung von Systemparametern eines Energie- systems, Verfahren zum Betrieb eines Energiesystems sowie Energiemanagementsystem für ein Energiesystem
Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1, ein Verfahren zum Betrieb (Betriebs- verfahren) eines Energiesystems gemäß dem Oberbegriff des Pa- tentanspruches 11 sowie ein Energiemanagementsystem gemäß dem Oberbegriff des Patentanspruches 15.
Eine effiziente Koordination von Energiewandlung, Energie- speicherung und/oder Energienutzung, insbesondere innerhalb multimodaler und/oder dezentraler Energiesysteme, ist typi- scherweise basierend auf einem heuristischen Betriebsverfah- ren nicht mehr möglich. Demnach ist ein Übergang zu modellba- sierten Steuerungsansätzen beziehungsweise Regelungsansätzen vorteilhaft. Modellbasierte Betriebsverfahren erfordern je- doch, dass die Komponenten des Energiesystems (Systemkompo- nenten) und deren Verhalten mittels mathematischer Modelle, das heißt mittels einer Modellfunktion, charakterisiert be- ziehungsweise abgebildet werden.
Typischerweise sind zur Modellierung eine Komponente des Energiesystems mehrere Systemparameter erforderlich, die die Modellfunktion der Komponente parametrisieren . Diese System- parameter müssen möglichst genau bestimmt werden, damit die Modellfunktion den tatsächlichen beziehungsweise realen Be- trieb der Komponente bestmöglich beschreibt beziehungsweise abbildet. Typischerweise werden die Systemparameter manuell, das heißt offline, erfasst. Durch diese manuelle Identifika- tion der Systemparameter (Parameteridentifikation) erhöht sich jedoch der Aufwand signifikant, sodass dadurch die Kos- ten, insbesondere bei der Inbetriebnahme der Komponente, deutlich erhöht werden. Zudem ist die Fehleranfälligkeit ma- nueller Parameteridentifikationen im Gegensatz zu automati- sierten, das heißt online Parameteridentifikation, erhöht.
Aus dem Stand der Technik ist daher eine computergestützte automatisierte Identifikation von Systemparametern bekannt. Vorab werden hierbei Messwerte von Eingangsgrößen über einen festgelegten Wertebereich der Eingangsgrößen erfasst. In ei- nem ersten Schritt der automatisierten Parameteridentifikati- on werden diese zu einem Messdatensatz aufbereitet. In einem zweiten Schritt der automatisierten Parameteridentifikation werden die Systemparameter mittels der aufbereiteten Messwer- te, das heißt mittels des Messdatensatzes, identifiziert. In einem dritten Schritt der automatisierten Parameteridentifi- kation erfolgt eine Validierung der identifizierten Systempa- rameter. Die Validierung der Systemparameter (Beurteilung der Qualität der identifizierten Systemparameter) ist erforder- lich, um die Korrektheit der Systemparameter und somit des Modells sicherzustellen.
Bei bekannten Parameteridentifikationen erfolgt die Validie- rung durch einen Abgleich des Modells mit Messdaten, wobei dieser Abgleich mittels des mittleren quadratischen Fehlers (englisch: Root-Mean-Squared Error; abgekürzt RMSE) durchge- führt wird. Dieses Verfahren ist insbesondere aus der offline Parameteridentifikation bekannt und wird dort typischerweise mit einer graphischen Auswertung durch den Anwender oder ei- ner gezielten beziehungsweise individuellen Vorgabe von Ein- gangsgrößen durch Testbetriebe kombiniert.
Allerdings stellt diese bekannte Validierung nicht in allen relevanten Fällen, insbesondere im laufenden Betrieb der Kom- ponente beziehungsweise des Energiesystems, eine robuste Va- lidierung der identifizierten Systemparameter sicher.
Problematisch ist insbesondere, dass typischerweise die Mess- werte der Eingangsgrößen nicht über den kompletten Arbeitsbe- reich der Komponente vorliegen und/oder die Messwerte bezie- hungsweise Messdaten eine Multikollinearität aufweisen. Mit anderen Worten werden die Messwerte der Eingangsgrößen inner- halb eines Wertebereiches erfasst, der typischerweise nicht zum gesamt möglichen Arbeitsbereich der Komponente bezie- hungsweise des Energiesystems korrespondiert. Dadurch kann zwar der RMSE im Bereich der erfassten Messwerte (Wertebe- reich) ausreichend minimiert werden, jedoch außerhalb dieses Wertebereiches und noch innerhalb des Arbeitsbereiches der Komponente kann der RMSE deutlich erhöht sein. Diese Erhöhung ist jedoch mittels bekannter Validierungen nicht erkennbar.
Mit anderen Worten ist der RMSE vom betrachteten Bereich der Eingangsgrößen (Wertebereich) abhängig, für welchen Messwerte der Eingangsgrößen erfasst wurden beziehungsweise den die Messwerte der Eingangsgröße abdecken beziehungsweise welcher durch den Messdatensatz abgedeckt ist. Dementsprechend ist eine robuste Validierung der Systemparameter bei bekannten automatisierten Parameteridentifikationen unter Verwendung bekannter Metriken (RMSE und/oder CVRMSE) nicht möglich. Die- ser Effekt verstärkt sich in der Praxis bei komplexen Model- len mit einer höheren Anzahl an Systemparameter und/oder meh- reren Einflussgrößen zusätzlich. Insbesondere für exogene Einflussgrößen besteht typischerweise kein direkter Stellzu- griff auf die einzelnen exogenen Einflussgrößen, sodass diese nicht gezielt angeregt und somit erfasst werden können.
Ein weiteres bekanntes Verfahren, welches zur Validierung der Systemparameter verwendet wird, ist eine Kreuzvalidierung. Hierbei werden die erfassten Messdaten in Trainingsdatenbe- reich und Testdaten eingeteilt. Allerdings sind ebenfalls bei diesem Verfahren Fehler in der Schätzung der Systemparameter (Parameteridentifikation) nicht erkennbar, wenn die erfassten Messdaten Multikollinearität und/oder vergleichbare Arbeits- punkte aufweisen.
Eine genaue und sichere Validierung der Systemparameter ist somit entscheidend für einen effizienten Betrieb des Energie- systems, insbesondere im Rahmen einer modellprädikativen Re- gelung . Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zur Validierung von Systemparametern wenigstens einer Komponente eines Energiesystems bereitzu- stellen .
Die Aufgabe wird durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 1, durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 11 sowie durch ein Energiemanagementsystem mit den Merkmalen des unabhängi- gen Patentanspruches 15 gelöst. In den abhängigen Patentan- sprüchen sind vorteilhafte Ausgestaltungen und Weiterbildun- gen der Erfindung angegeben.
Das erfindungsgemäße computergestützte Verfahren zur Validie- rung von mittels Messdaten ermittelten Systemparametern für eine Modellfunktion h wenigstens einer Komponente eines Ener- giesystems, wobei die Modellfunktion h wenigstens eine Abhän- gigkeit wenigstens einer Ausgangsgröße der Komponente von we- nigstens einer Eingangsgröße der Komponente unter Berücksich- tigung der Systemparameter kennzeichnet, ist wenigstens durch die folgenden Schritte gekennzeichnet:
- Berechnen einer Standardabweichung der aus den Messdaten ermittelten Systemparameter;
- Berechnen einer Konfidenzschranke Y in Abhängigkeit der berechneten Standardabweichung; und
- Festlegen der Systemparameter als valide, wenn ein mittels der Konfidenzschranke Y gebildetes Konfidenzintervall der Modellfunktion h innerhalb eines für die Eingangsgröße fest- gelegten Wertebereiches größer als null und kleiner oder gleich einer festgelegten Grenzmodellfunktion ist.
Gemäß der vorliegenden Erfindung erfolgt die Validierung der Systemparameter mittels des Konfidenzintervalls. Dadurch wird vorteilhafterweise die Validierung der Systemparameter ver- bessert, sodass insbesondere das Energiesystem verbessert be- ziehungsweise effizienter betrieben werden kann, beispiels- weise basierend auf einer modellprädikativen Regelung, die ein Verfahren gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen umfasst. Das Konfidenzintervall wird erfindungsgemäß in Abhängigkeit der Standardabweichung der Systemparameter und in Abhängigkeit der Konfidenzschranke be rechnet. Die Systemparameter beziehungsweise ihre ermittelten Mittelwerte sind zur Parametrisierung der Modellfunktion vor- gesehen .
Die Modellfunktion hängt typischerweise von mehreren Ein- gangsgrößen und mehreren Systemparametern ab und weist einen oder mehrere Ausgangsgrößen auf. Die Eingangsgrößen, die Aus- gangsgrößen und die Systemparameter können jeweils zu einem Vektor, der vorliegend Fett notiert wird, zusammengefasst werden. Mit anderen Worten ist beispielsweise das Modell durch Y = h(q,C) gekennzeichnet, wobei X die Eingangsgrößen, Y die Ausgangsgrößen, q die Systemparameter und h die Modell- funktion bezeichnet. Die Eingangsgrößen können weiterhin in exogene und endogene Eingangsgrößen eingeteilt werden. Eine typische Modellfunktion ist der Wirkungsgrad und/oder die Leistungszahl der Komponente, beispielsweise einer Energieum- wandlungsanlage. Hierbei nimmt die Komponente Energieein- gangsflüsse pin auf und wandelt diese in Energieausgangsflüs- se pout um. Diese Energieumwandlung kann von den exogenen Ein- gangsgrößen v und den Systemparametern q abhängig sein. Mit anderen Worten kann pout = h(q, v, pin) oder beispielsweise pout = h(q, v) pin sein, wobei h(q,v) die Matrix der Wirkungsgrade (und/oder Leistungszahlen) für Umwandlungen eines bezüglich der Komponente eingehenden Energieflusses in einen bezüg-
Figure imgf000007_0002
lich der Komponente ausgehenden Energieflusses
Figure imgf000007_0003
kennzeich- net. Mit anderen Worten ist .
Figure imgf000007_0001
Im Rahmen der vorliegenden Erfindung umfasst der Begriff des Wirkungsgrades ebenfalls Leistungszahlen.
Beispiele für Energieumwandlungsanlagen sind Wärmepumpen, Kältemaschinen, Dieselgeneratoren, Blockheizkraftwerke, Pho- tovoltaikanlagen, Windkraftanlagen, Biogasanlagen, Müllver- brennungsanlagen und/oder Sensoren, und/oder weitere Kompo- nenten .
Die Systemparameter werden typischerweise mittels eines Mess- datensatzes ermittelt. Mit anderen Worten kann das erfin- dungsgemäße Verfahren ein Teilschritt einer automatischen Pa- rameteridentifikation sein. In einem ersten Schritt der auto- matischen Parameteridentifikation werden typischerweise vorab erfasste Messwerte, insbesondere bezüglich der Eingangsgröße, aufbereitet, insbesondere gefiltert. Dadurch wird ein Messda- tensatz, insbesondere ein Trainingsdatensatz, bereitgestellt. Allerdings können im Rahmen der vorliegenden Erfindung die Messdaten ebenfalls synthetisch, beispielsweise mittels einer Simulation und/oder einer Prognose, erzeugt und bereitge- stellt werden. Die Messdaten müssen somit nicht zwingend auf tatsächlich erfassten Messwerten basieren, sondern können we- nigstens teilweise, insbesondere vollständig, synthetisch er- zeugt worden sein. Die Messdaten können für einen Trainings- bereich vorliegen, der insbesondere kleiner oder gleich dem Wertebereich der Eingangsgröße ist. Mit anderen Worten können die Messdaten in Trainingsdaten und weitere Messdaten (Test- daten) eingeteilt werden, wobei die Trainingsdaten zum Ermit- teln der Systemparameter herangezogen werden. Die Messdaten können somit die Trainingsdaten sein oder diese wenigstens umfassen .
In einem zweiten Schritt der automatischen Parameteridentifi- kation werden die Systemparameter anhand der Messdaten iden- tifiziert, das heißt ermittelt. Dies kann mittels eines all- gemeinen Modellansatzes y = f(q,x)+e erfolgen, wobei die Grö- ßen x,y nicht zwingend den realen Eingangsgrößen und Aus- gangsgrößen entsprechen müssen. Mit anderen Worten kann eine geeignete Umformulierung des Modells Y = h(q,X)+e zu y =
f(q,x)+e das Ermitteln der Systemparameter erleichtern, bei- spielsweise linearisieren . Hierbei bezeichnet e den jeweili- gen Modellfehler, der typischerweise zum Identifizieren und/oder zum Ermitteln der Systemparameter möglichst mini- miert wird. Die vorliegende Erfindung betrifft einen dritten Schritt ei- ner automatisierten Parameteridentifikation, das heißt eine Validierung der aus den Messdaten ermittelten Systemparame- ter. Mit anderen Worten umfasst der dritte Schritt einer er- findungsgemäßen automatisierten Parameteridentifikation ein Verfahren zur Validierung gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen.
Durch das beschriebene Vorgehen bei der automatisierten Para- meteridentifikation werden die Systemparameter statistisch anhand der Messdaten ermittelt. Somit weisen die Systempara- meter grundsätzlich eine Standardabweichung auf, die in einem ersten Schritt des erfindungsgemäßen Verfahrens berechnet o- der ermittelt oder bestimmt wird. Die Standardabweichung quantifiziert hierbei wenigstens die Variation der ermittel- ten Systemparameter bezüglich eines tatsächlichen und/oder simulierten Betriebes der Komponente beziehungsweise des Energiesystems .
In einem zweiten Schritt des erfindungsgemäßen Verfahrens zur Validierung der Systemparameter wird die Konfidenzschranke in Abhängigkeit der berechneten Standardabweichung berechnet o- der ermittelt oder bestimmt.
Grundsätzlich ist mittels der Konfidenzschranke Y ein Kon- fidenzintervall festlegbar. Das Konfidenzintervall weist ty- pischerweise eine untere und obere Konfidenzschranke auf. Die obere und untere Konfidenzschranke können betragsmäßig gleich sein, sodass das Konfidenzintervall die Breite 2Y aufweist. Das Konfidenzintervall der Modellfunktion ist somit bei- spielsweise durch [h(q,X)— Y(q,X), h(q,X) + Y(q,X)] festlegt. Ist die Modellfunktion insbesondere der Wirkungsgrad der Kompo- nente, der von den Systemparametern q, den exogenen Ein- gangsgrößen v und den Energieeingangsflüssen p;n abhängig ist, das heißt es gilt pout =h(q,v, pin) , so kann das Konfiden- zintervall zu [h(q, v, pin)— Y(q, v, pin),h(q, v, pin) + Y(q, v, pin)] präzi- siert werden. Grundsätzlich ist die Konfidenzschranke bezie- hungsweise das Konfidenzintervall somit ebenfalls eine Funk- tion der Systemparameter, der endogenen und/oder exogenen Eingangsgrößen und/oder der Varianzen sowie Kovarianzen der Systemparameter .
Das Konfidenzintervall beziehungsweise die Konfidenzschranke korrespondiert zum Informationsgehalt der Messdaten für die Modellfunktion. Demnach ist das Konfidenzintervall bezie- hungsweise die Konfidenzschranke betragsmäßig umso kleiner, je größer die Varianz der Eingangsgrößen, insbesondere der exogenen Eingangsgrößen, ist. Das Konfidenzintervall bezie- hungsweise die Konfidenzschranke ist weiterhin betragsmäßig umso kleiner, je besser der Fit bezüglich der Parameteriden- tifikation (Regression) ist, je geringer die Korrelationen zwischen den Eingangsgrößen ist, und/oder je größer der Ab- stand zwischen dem Wert von v beziehungsweise pin vom Mittel- wert von Trainingsdaten ist, und/oder je größer die Anzahl der vorliegenden Trainingsdaten ist.
In einem dritten Schritt des erfindungsgemäßen Verfahrens werden die Systemparameter als valide festgelegt, wenn ein mittels der Konfidenzschranke Y gebildetes Konfidenzinter- vall der Modellfunktion h innerhalb eines für die Eingangs- größe festgelegten Wertebereiches größer als null, und klei- ner oder gleich einer festgelegten Grenzmodellfunktion ist.
Mit anderen Worten wird durch diese genannte Bedingung, ins- besondere durch die Grenzmodellfunktion, die Konsistenz der Systemparameter festgelegt. Mit anderen Worten werden die Systemparameter auf ihre Plausibilität geprüft. Die Konsis- tenz beziehungsweise die Plausibilität wird hierbei durch die Grenzmodellfunktion quantifiziert und bestimmt. Die Grenzmo- dellfunktion kann je nach erforderlicher Konsistenz festge- legt werden. Somit korrespondiert die Grenzmodellfunktion zu einer Konsistenz/Plausibilität, die die Systemparameter auf- weisen dürfen. Hierbei ist zu beachten, dass das Konfidenzin- tervall und die Grenzmodellfunktion ebenfalls eine Funktion bezüglich der Eingangsgrößen ist. Beispielsweise wird das Konfidenzintervall durch [h(q,X)— Y(q,X),h(q,X) + Y(q,X)] ausge- bildet, und ist demnach ebenfalls eine Funktion der endogenen und/oder exogenen Eingangsgrößen sowie der Systemparameter. Die Systemparameter sind hierbei valide, wenn die Bedingungen 0 < (h(q,X) ± Y(q,X)) £ h*(q,X) erfüllt sind, wobei h*(q,X) die Grenzmodellfunktion bezeichnet. Die Grenzmodellfunktion kann ebenfalls von den Systemparametern q und/oder den Eingangs- größen X abhängig sein. Weiterhin sind alle zu den genannten Bedingungen mathematisch äquivalenten Umformulierungen eben- falls Teil der vorliegenden Erfindung.
Die vorliegende Erfindung stellt somit eine Validierung der Systemparameter in Abhängigkeit der Konsistenz/Plausibilität der Systemparameter bereit. Hierbei basiert die Konsistenz vorteilhafterweise auf statistischen Erwägungen, vorliegend im Wesentlichen auf dem Konfidenzintervall beziehungsweise den obenstehend genannten Bedingungen. Grundsätzlich ist die Konsistenz/Plausibilität über die tatsächlich vorliegenden Systemparameter beziehungsweise deren Werte größer, je klei- ner das Konfidenzintervall ist. Mit anderen Worten gilt typi- scherweise, dass je breiter oder größer das Konfidenzinter- vall ist, desto kleiner ist die Konsistenz/Plausibilität über die tatsächlich vorliegenden Systemparameter. Über die Grenz- modellfunktion kann dann die erforderliche oder gewünschte Konsistenz/Plausibilität festgelegt werden. Je kleiner die Grenzmodellfunktion in einem Arbeitspunkt desto plausibler sind dort die Systemparameter.
Die vorliegende Erfindung ermöglicht somit eine robuste Qua- litätseinschätzung des Modells über den gesamten beziehungs- weise kompletten Arbeitsbereich der Komponente, auch wenn keine Messdaten über diesen kompletten Arbeitsbereich vorlie- gen. Mit anderen Worten ermöglicht die vorliegende Erfindung eine sinnvolle und statistisch belastbare Extrapolation vom zur Identifikation der Systemparameter festgelegten bezie- hungsweise betrachteten Wertebereich der Eingangsgrößen auf den gesamten beziehungsweise kompletten Arbeitsbereich der Komponente . Weiterhin sind erforderliche Angaben, beispielsweise Grenzen des Arbeitsbereiches, Grenzen für die Breite des Konfidenzin- tervall sowie Grenzen für den Wirkungsgrad, wie in der vor- liegenden Erfindung verwendet, physikalisch gut interpretier- bar. Dies ist insbesondere bei einer Qualitätsbeurteilung von Gray-Box-Modellen und/oder Black-Box-Modellen vorteilhaft, da bei diesen eine physikalische Interpretation der einzelnen identifizierten Systemparameter typischerweise schwierig oder nicht möglich ist.
Bei dem erfindungsgemäßen Verfahren zum Betrieb eines Ener- giesystems wird das Energiesystem wenigstens teilweise mit- tels einer modellprädikativen Regelung basierend auf wenigs- tens einer Modellfunktion wenigstens einer Komponente des Energiesystems geregelt. Das erfindungsgemäße Verfahren zum Betrieb eines Energiesystems ist gekennzeichnet dadurch, dass der modellprädikativen Regelung zugrundeliegende Systempara- meter der Modellfunktion mittels eines Verfahrens zur Vali- dierung gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen als valide für die Regelung festgelegt wer- den .
Vorteilhafterweise basiert die modellprädikative Regelung auf den Wertbereich der Eingangsgröße, der typischerweise kleiner als der Arbeitsbereich der Komponente ist. Dadurch wird das Konfidenzintervall beziehungsweise die Modellfunktion auf den Arbeitsbereich extrapolierbar. Ein Berücksichtigen des Ar- beitsbereiches, falls überhaupt möglich, ist durch die erfin- dungsgemäße Verwendung der Konfidenzschranke beziehungsweise des Konfidenzintervalls nicht erforderlich.
Die Systemparameter werden zwar lediglich mittels der Werte der Eingangsgrößen innerhalb des Wertebereiches identifi- ziert, diese können jedoch aufgrund der erfindungsgemäßen Va- lidierung auf den größeren Arbeitsbereich statistisch quanti- fizierbar extrapoliert werden. Mit anderen Worten kann ermit- telt werden, ob das Modell beziehungsweise die modellprädika- tive Regelung ebenfalls für Bereiche außerhalb des für die Ermittlung der Systemparameter berücksichtigten Werteberei- ches beziehungsweise Wertebereiche valide ist.
Es ergeben sich zum erfindungsgemäßen Verfahren zur Validie- rung gleichartige und gleichwertige Vorteile und Ausgestal- tungen des erfindungsgemäßen Verfahrens zum Betrieb des Ener- giesystems .
Weiterhin umfasst eine erfindungsgemäße modellprädikative Re- gelung ein Verfahren zur Validierung gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen.
Eine erfindungsgemäße Parameteridentifikation umfasst ein Verfahren zur Validierung gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen.
Das erfindungsgemäße Energiemanagementsystem für ein Energie- system umfasst eine Messeinheit und eine Recheneinheit, wobei mittels der Messeinheit mehrere Messwerte bezüglich Systempa- rametern wenigstens einer Komponente des Energiesystems er- fassbar sind und die zugehörigen Messdaten bereitstellbar sind. Erfindungsgemäß ist die Recheneinheit zur Durchführung eines Verfahrens gemäß einem der vorhergehenden Ansprüche ausgebildet .
Insbesondere umfasst die Recheneinheit einen Computer, einen Quantencomputer, einen Server, einen Cloud-Server und/oder sonstiges verteilte Netz- und/oder Rechensysteme.
Es ergeben sich zum erfindungsgemäßen Verfahren zur Validie- rung gleichartige und gleichwertige Vorteile und Ausgestal- tungen des erfindungsgemäßen Energiemanagementsystems.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist die Grenzmodellfunktion von der wenigstens einen Eingangsgröße abhängig . Die Grenzmodellfunktion kann alternativ ebenfalls konstant sein, das heißt beispielsweise lediglich einen Wert aufwei- sen. In diesem Sinne bildet die Grenzmodellfunktion dann ei- nen Schwellenwert aus. Beispielsweise ist die Grenzmodell- funktion mittels eines Wirkungsgrades aus einem Datenblatt der Komponente gebildet. So kann die Grenzmodellfunktion bei- spielsweise als das 200 % fache des im Datenblatt genannten Wirkungsgrades sein. Mit anderen Worten ist h*(q,X) = 2· hDatenblatt· Alternativ oder ergänzend ist h*(q,X) = C· hCarnot, wobei hCarnot den Carnot-Wirkungsgrad der Komponente bezeichnet, und/oder h*(q,X) ist durch ein komplexes nichtlineares Modell gegeben .
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird der Wertebereich gleich einem Arbeitsbereich der Komponente festgelegt .
Typischerweise ist der Arbeitsbereich der Komponente bezüg- lich der Eingangsgröße durch die Werte der Eingangsgröße ge- kennzeichnet, die die Eingangsgröße im Betrieb der Komponente annimmt oder annehmen kann. Der Wertebereich, der für die Va- lidierung gemäß der vorliegenden Erfindung herangezogen wird, ist bevorzugt im Wesentlichen gleich diesem Arbeitsbereich.
In einer vorteilhaften Weiterbildung der Erfindung wird die Standardabweichung mittels einer Kovarianzmatrix Sq der aus den Messdaten ermittelten Systemparameter berechnet.
Dadurch werden vorteilhafterweise Korrelationen zwischen den einzelnen Systemparametern berücksichtigt. Die Kovarianz- matrix entspricht dem Kehrwert der Fisher-Informationsmatrix, sodass diese vorteilhafterweise direkte Rückschlüsse auf den Informationsgehalt der Messdaten ermöglicht. Mit anderen Wor- ten wird vorteilhafterweise im Gegensatz zu bekannten Verfah- ren, wie beispielsweise RMSE und/oder CVRMSE, der Informati- onsgehalt der Messdaten beziehungsweise Messwerte bei der Va- lidierung berücksichtigt. Besonders bevorzugt wird die Kovarianzmatrix mittels Sq =
E[(q— E(q))· (q E(q))T] berechnet, wobei q den Vektor der Sys- temparameter und E den Erwartungswert kennzeichnet.
Vorteilhafterweise werden dadurch die Varianzen und Korrela- tionen beziehungsweise Kovarianzen zwischen den Systemparame- tern mittels einer gemeinsamen Matrix berechnet und darge- stellt. Somit gilt für die Kovarianzmatrix beziehungsweise ihre Komponenten (Sq)ij = Cov(qi; qj) für i¹j und (Sq) = Var(qi) , für jeweils i,j = 1,...,n und q = (q1 ... , qn)T .
Werden die Systemparameter mittels der Methode der kleinsten Quadrate identifiziert (zweiter Schritt der automatisierten Parameteridentifikation) und liegt Homoskedastizität und kei- ne Autokorrelation für den Modellfehler e vor, so ist bei- spielsweise Sq = s2(qtq)_1, wobei s die Standardabweichung be- ziehungsweise s2 die Varianz bezeichnet. In diesem Fall wird die Varianz der Grundgesamtheit s2 mittels des Modellfehlers e sowie der Anzahl der Messpunkte k aus der vorhandenen
Stichprobe mittels s2 = e e/(K ) geschätzt. In der Literatur werden Schätzer beziehungsweise Schätzfunktionen, beispiels- weise für die Systemparameter, Varianzen und/oder Kovarianz, ebenfalls mit einem Hut gekennzeichnet, sodass beispielsweise auch
Figure imgf000015_0001
geschrieben kann.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird die Standardabweichung mittels berechnet,
Figure imgf000015_0002
wobei h die Modellfunktion bezeichnet.
Vorteilhafterweise wird dadurch die Validierung der Systempa- rameter verbessert. Das ist deshalb der Fall, da die Stan- dardabweichung hierdurch mit den Methoden der Fehlerfort- pflanzung berechnet wird. Ist die Modellfunktion der Wir- kungsgrad, so ist
Figure imgf000015_0003
. Hierbei bezeichnet
Figure imgf000015_0004
den Gradienten der Modellfunktion un- ter Vernachlässigung von Messunsicherheiten bezüglich der Systemparameter q. Mit anderen Worten ist ,
Figure imgf000015_0005
wobei die partielle Ableitung der Modellfunktion nach dem Systemparamete q bezeichnet.
In einer vorteilhaften Weiterbildung der Erfindung wird die Konfidenzschranke mittels des Produktes eines Wertes der stu- dentschen t-Verteilung und der Standardabweichung berechnet.
Bevorzugt wird hierbei die Konfidenzschranke mittels Y = K· t1-a/2· sh berechnet wird, wobei t1-a/2 den Wert der studentschen t-Verteilung zu einem Signifikanzniveau a bezeichnet und K eine Konstante größer Null ist. Besonders bevorzugt ist K=
1, sodass Y = t1-a/2· sh ist, wobei a das Signifikanzniveau und (1— a) das Konfidenzniveau unter Berücksichtigung des vorlie- genden Freiheitsgrades (k—n) bezeichnet. Beispielsweise ist (1— a) = 0.95, das heißt 95 Prozent. Das entsprechende Kon- fidenzintervall ist somit bevorzugt durch [h(q,v,pin)— t1-a/2· sh(q,v,pin),h(q,v,pin) + t1-a/2· sh(q,v,pin)] festgelegt .
Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden die Systemparameter als valide festgelegt, falls 0 < (h ± Y£ h* ist, wobei h* die festgelegte Grenzmodellfunktion bezeich- net .
Hierbei ist zu beachten, dass die genannten Bedingungen eine Funktion der Eingangsgrößen X sind, sodass die Systemparame- ter q als valide festgelegt werden, wenn 0 < (h(q,X) + Y(q,X)) < h*(q,X) ist. Bevorzugt wird die Konfidenzschranke Y mittels der studentschen t-Verteilung ermittelt beziehungsweise be- rechnet und die Modellfunktion entspricht dem Wirkungsrad und/oder der Leistungszahl der Komponente, sodass die System- parameter in diesem Fall als valide festgelegt werden, wenn 0 < (h(q,v,pin) ± Y(q,V, pin, t1-a/2)) £ h*(q,v, pin) ist. Somit hängt die Konfidenzschranke ebenfalls vom Signifikanzniveau a ab.
In einer vorteilhaften Weiterbildung der Erfindung werden zur Validierung der Systemparameter Nebenbedingungen der System- parameter und/oder Nebenbedingungen der Modellfunktion be- rücksichtigt . Vorteilhafterweise können - im Gegensatz zu sogenannten
Black-Box-Modellen - die Wirkungsgrade und/oder gegebenen- falls die Systemparameter überprüft beziehungsweise auf Plau- sibilität getestet werden. Eine solche Nebenbedingung für den Wirkungsgrad (Modellfunktion) ist beispielsweise, dass dieser unterhalb des für den Prozess theoretisch möglichen Carnot- Wirkungsgrades ist. Weitere Plausibilitätstests können vorge- sehen sein, insbesondere können positive und negative Grenzen für die einzelnen Komponenten des Energiesystems festgelegt werden, die der Wirkungsgrad und/oder das Konfidenzintervall über den kompletten Arbeitsbereich aller Eingangsgrößen nicht überschreiten darf. So sollten identifizierte Systemparameter nicht verwendet werden, wenn der Wirkungsgrad an bestimmten Arbeitspunkten beispielsweise einen Wert kleiner als Null an- nimmt. Solche Nebenbedingungen können sich ebenfalls aus dem technischen Datenblatt der Komponente ergeben. Die Grenzmo- dellfunktion kann durch eine solche Nebenbedingung ausgebil- det werden.
Gemäß einer vorteilhaften Ausgestaltung werden die Systempa- rameter aus Messdaten, insbesondere Trainingsdaten, des Ener- giesystems ermittelt.
Hierbei werden bevorzugt die Messdaten automatisiert basie- rend auf erfassten Messwerten ermittelt. Alternativ oder er- gänzend werden die Messdaten synthetisch erzeugt und bereit- gestellt, beispielsweise mittels einer Simulation und/oder einer Prognose.
Insgesamt wird vorteilhafterweise dadurch im Wesentlichen ei- ne automatisierte Parameteridentifikation bereitgestellt.
Hierbei ist es besonders bevorzugt, wenn die Messwerte zum Ermitteln der Messdaten aufbereitet, insbesondere gefiltert werden. Insbesondere werden diese in Trainingsdaten und wei- tere Messdaten eingeteilt. Vorteilhafterweise wird dadurch die Genauigkeit der Ermitt- lung der Systemparameter und deren Validierung verbessert. Insgesamt werden dadurch die automatisierte Parameteridenti- fikation und die modellprädikative Regelung verbessert.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung er- geben sich aus den im Folgenden beschriebenen Ausführungsbei- spielen sowie anhand der Zeichnungen. Dabei zeigen schemati- siert :
Figur 1 ein Ablaufdiagramm einer erfindungsgemäßen automa- tisierten Parameteridentifikation; und
Figur 2 ein Diagramm zur Verdeutlichung eines Konfidenzin- tervalls beziehungsweise einer Konfidenzschranke am Beispiel einer Eingangsgröße.
Gleichartige, gleichwertige und/oder gleichwirkende Elemente können in einer der Figuren oder in den Figuren mit denselben Bezugszeichen versehen sein.
Die Figur 1 zeigt eine erfindungsgemäße Parameteridentifika- tion P, die ein erfindungsgemäßes computergestütztes Verfah- ren zur Validierung von Systemparametern als Schritt bezie- hungsweise Teilschritt umfasst.
Die erfindungsgemäße Parameteridentifikation P kann Teil ei- ner modellprädikativen Regelung eines Energiesystems sein, sodass diesbezüglich ebenfalls von einer Validierung des Mo- dells, welches im Wesentlichen durch eine Modellfunktion re- präsentiert wird, gesprochen werden kann.
Das Energiesystem wird somit beispielsweise, insbesondere we- nigstens eine seiner Komponenten, mittels einer modellprädi- kativen Regelung wenigstens teilweise geregelt, wobei zur Re- gelung die Modellfunktion vorgesehen ist, die typischerweise mehrere Systemparameter aufweist. Mit anderen ist eine Para- metrisierung des Modells erforderlich, das heißt die Werte beziehungsweise die Systemparameter müssen identifiziert und/oder bestimmt und/oder ermittelt werden, damit das Modell für die Regelung des Energiesystems beziehungsweise seines Betriebs verwendet werden kann.
Weiterhin hängt die Modellfunktion von einer oder mehreren Eingangsgrößen, beispielsweise einer elektrischen und/oder thermischen Leistung/Energie ab, und quantifiziert die Abhän- gigkeit einer oder mehrerer Ausgangsgrößen der Komponente, beispielsweise eine elektrische und/oder thermische Leis- tung/Energie, in Abhängigkeit der Eingangsgrößen. Die System- parameter parametrisieren diese Abhängigkeit. Insbesondere sind exogene Eingangsgrößen eine Temperatur, beispielsweise eine Außentemperatur, ein Druck, eine Windgeschwindigkeit, und/oder weitere physikalische Größen. Die Systemparameter parametrisieren die Modellfunktion. Typischerweise treten diese in der Modellfunktion zusammen mit einer der Eingangs- größen auf, beispielsweise in Form eines Produktes aus Sys- temparameter und Eingangsgröße. Typischerweise haben die Sys- temparameter keine unmittelbare physikalische Interpretation. Allerdings können diese beispielsweise zu thermischen Verlus- ten (Wärmeverluste) und/oder thermischen Widerständen korres- pondieren. Beispielsweise ist pout = h(b,v)· pin mit h(q,n) = q1Tambient + q2(v2— 2p/p) + q3pin, wobei v eine Windgeschwindigkeit, p einen Druck, r eine Dichte und Tambient eine Außentemperatur bezeichnet .
Die automatisierte Parameteridentifikation P umfasst einen ersten Schritt P1, einen zweiten Schritt P2 und einen dritten Schritt P3.
Im ersten Schritt PI werden erfasste und/oder synthetisch er- zeugte Messwerte 40, beispielsweise die Temperatur einer Kom- ponente des Energiesystems, zu einem Messdatensatz aufberei- tet, insbesondere gefiltert. Im zweiten Schritt P2 werden die Systemparameter 41 des Mo- dells beziehungsweise der Modellfunktion mittels des im ers- ten Schritt PI ermittelten Messdatensatzes identifiziert.
Im dritten Schritt P3 erfolgt eine Validierung der im zweiten Schritt P2 identifizierten Systemparameter 41. Die Validie- rung erfolgt gemäß der dargestellten Ausgestaltung der Erfin- dung mittels eines erfindungsgemäßen Validierungsverfahrens (Verfahren zur Validierung) . Mit anderen Worten werden die identifizierten Systemparameter 41 bezüglich ihres Informati- onsgehaltes analysiert. Dies wird erfindungsgemäß durch das Berechnen und Verwenden der Konfidenzschranke beziehungsweise des Konfidenzintervalls ermöglicht. Vorteilhafterweise ermög- licht dies, dass die Identifikation, Bestimmung und/oder Er- mittlung der Systemparameter 41 auf einem kleineren Wertebe- reich der Eingangsgrößen erfolgen kann, aber dennoch eine Aussage über die Validität der Systemparameter 41 über einen typischerweise deutlich größeren Arbeitsbereich der Komponen- te getroffen werden kann. Dadurch wird die Regelung der Kom- ponente beziehungsweise des Energiesystems, insbesondere in- nerhalb des gesamten Arbeitsbereiches der Komponente, verbes- sert .
Die als valide erkannten Systemparameter 41 werden anschlie- ßend für die modellprädikative Regelung verwendet.
Die Figur 2 zeigt ein Diagramm zur Verdeutlichung eines Kon- fidenzintervalls beziehungsweise einer Konfidenzschranke für eine Eingangsgröße.
An der Abszisse 100 des dargestellten Diagramms ist die Ein- gangsgröße, beispielsweise eine exogene Eingangsgröße v, in beliebigen Einheiten aufgetragen. An der Ordinate 101 des Di- agramms ist die Modellfunktion h, insbesondere der Wirkungs- grad und/oder die Leistungszahl der Komponente, in beliebigen Einheiten aufgetragen. Die funktionale Abhängigkeit der Modellfunktion, insbesondere des Wirkungsgrades, von der Eingangsgröße ist durch die Kurve 10 dargestellt. Somit wird die Modellfunktion ebenfalls mit dem Bezugszeichen 10 gekennzeichnet.
Die Eingangsgröße weist einen minimalen und maximalen Wert auf, die die Grenzen eines Arbeitsbereiches 24 der Komponente ausbilden. Mit anderen Worten nimmt die Eingangsgröße über den Betrieb der Komponente die Werte innerhalb des Arbeitsbe- reiches 24 an.
Bei einer automatischen Parameteridentifikation, bei welcher Systemparameter zur Parametrisierung der Modellfunktion 10, identifiziert und/oder ermittelt und/oder bestimmt werden, werden die Systemparameter über einen festgelegten Wertebe- reich 22 der Eingangsgröße identifiziert beziehungsweise er- mittelt beziehungsweise bestimmt. Alternativ und/oder ergän- zend liegen die Messdaten der Eingangsgröße innerhalb eines Trainingsdatenbereiches 23 und nicht innerhalb des festgeleg- ten Wertebereiches 22 vor, wobei der Wertebereich 22 bevor- zugt dem gesamten Arbeitsbereich 24 der Komponente entspricht vor. In diesem Sinne kann wird die Konsistenz der Systempara- meter mittels des Konfidenzintervalls über den gesamten Ar- beitsbereich 24 bestimmt.
Gemäß der vorliegenden Erfindung wird das Konfidenzintervall mittels der Konfidenzschranke 42 berechnet. Die Konfidenz- schranke 42 beziehungsweise das Konfidenzintervall ist in der Figur 2 durch die zwei die Modellfunktion 10 begrenzenden Kurven dargestellt. Es ist zu erkennen, dass die Größe bezie- hungsweise Breite des Konfidenzintervalls, gebildet mittels der oberen und unteren Konfidenzschranke, vom Wert der Ein- gangsgröße abhängig ist. Das spiegelt die verschiedene Kon- sistenz/Plausibilität der Systemparameter beziehungsweise des Modells für unterschiedliche Werte der Eingangsgröße wider.
Gemäß der dargestellten Ausgestaltung der Erfindung werden die Systemparameter als valide erkannt, wenn das mittels der Konfidenzschranken 42 gebildetes Konfidenzintervall der Mo- dellfunktion h innerhalb des Arbeitsbereiches 24 der Ein- gangsgröße, größer als null und kleiner oder gleich der fest- gelegten Grenzmodellfunktion ist.
Obwohl die Erfindung im Detail durch die bevorzugten Ausfüh- rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein- geschränkt oder andere Variationen können vom Fachmann hie- raus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
Bezugszeichenliste
P Parameteridentifikation
P1 erster Schritt der Parameteridentifikation P2 zweiter Schritt der Parameteridentifikation P3 dritter Schritt der Parameteridentifikation 10 Modellfunktion
22 Wertebereich
23 Trainingsdatenbereich
24 Arbeitsbereich
40 Messwerte
41 Systemparameter
42 Konfidenzschranke
100 Abszisse
101 Ordinate

Claims

Patentansprüche
1. Computergestütztes Verfahren zur Validierung von mittels Messdaten ermittelten Systemparametern (41) für eine Modell- funktion h (10) wenigstens einer Komponente eines Energiesys- tems, wobei die Modellfunktion h (10) wenigstens eine Abhän- gigkeit wenigstens einer Ausgangsgröße der Komponente von we- nigstens einer Eingangsgröße der Komponente unter Berücksich- tigung der Systemparameter (41) kennzeichnet, gekennzeichnet durch die Schritte:
- Berechnen einer Standardabweichung der aus den Messdaten ermittelten Systemparameter (41);
- Berechnen einer Konfidenzschranke Y (42) in Abhängigkeit der berechneten Standardabweichung; und
- Festlegen der Systemparameter (41) als valide, wenn ein mittels der Konfidenzschranke Y (42) gebildetes Konfidenzin- tervall der Modellfunktion h (10) innerhalb eines für die Eingangsgröße festgelegten Wertebereiches größer als null, und kleiner oder gleich einer festgelegten Grenzmodellfunkti- on ist.
2. Computergestütztes Verfahren gemäß Anspruch 1, gekenn- zeichnet dadurch, dass die Grenzmodellfunktion von der we- nigstens einen Eingangsgröße abhängig ist.
3. Computergestütztes Verfahren gemäß Anspruch 1 oder 2, ge- kennzeichnet dadurch, dass der Wertebereich (22) gleich einem Arbeitsbereich (24) der Komponente festgelegt wird.
4. Computergestütztes Verfahren gemäß Anspruch 1 oder 2, ge- kennzeichnet dadurch, dass die Standardabweichung mittels ei- ner Kovarianzmatrix S^ der aus den Messdaten ermittelten Sys- temparameter (41) berechnet wird.
5. Computergestütztes Verfahren gemäß Anspruch 2, gekenn- zeichnet dadurch, dass die Kovarianzmatrix mittels Sq = E[(q— E(q))· (q— E(q))T] berechnet wird, wobei q den Vektor der Sys- temparameter (41) und E den Erwartungswert kennzeichnet.
6. Computergestütztes Verfahren gemäß einem der vorhergehen- den Ansprüche, gekennzeichnet dadurch, dass die Standardab- weichung mittels
Figure imgf000025_0001
berechnet wird.
7. Computergestütztes Verfahren gemäß einem der vorhergehen- den Ansprüche, gekennzeichnet dadurch, dass die Konfidenz- schranke (42) mittels des Produktes eines Wertes der student- schen t-Verteilung und der Standardabweichung berechnet wird.
8. Computergestütztes Verfahren gemäß Anspruch 7, gekenn- zeichnet dadurch, dass die Konfidenzschranke (42) mittels Y = K·t1-a/2 ·h berechnet wird, wobei t1-a/2 den Wert der student- schen t-Verteilung zu einem Signifikanzniveau a bezeichnet und K eine Konstante größer Null ist.
9. Computergestütztes Verfahren gemäß einem der vorhergehen- den Ansprüche, gekennzeichnet dadurch, dass die Systemparame- ter (41) als valide festgelegt werden, falls 0 < (h ± Y) £ h* ist, wobei h* die festgelegte Grenzmodellfunktion bezeichnet.
10. Computergestütztes Verfahren gemäß einem der vorhergehen- den Ansprüche, gekennzeichnet dadurch, dass zur Validierung der Systemparameter (41) Nebenbedingungen der Systemparameter (41) und/oder Nebenbedingungen der Modellfunktion (10) be- rücksichtigt werden.
11. Verfahren zum Betrieb eines Energiesystems, beim dem das Energiesystem wenigstens teilweise mittels einer modellprädi- kativen Regelung basierend auf wenigstens einer Modellfunkti- on (10) wenigstens einer Komponente des Energiesystems gere- gelt wird, gekennzeichnet dadurch, dass der modellprädikati- ven Regelung zugrundeliegende Systemparameter (41) der Mo- dellfunktion mittels eines Verfahrens gemäß einem der vorher- gehenden Ansprüche als valide für die Regelung festgelegt werden .
12. Verfahren gemäß Anspruch 11, gekennzeichnet dadurch, dass die Systemparameter (41) aus Messdaten des Energiesystems er- mittelt werden.
13. Verfahren gemäß Anspruch 12, gekennzeichnet dadurch, dass die Messdaten automatisiert basierend auf erfassten Messwer- ten (40) ermittelt werden.
14. Verfahren gemäß Anspruch 13, gekennzeichnet dadurch, dass die Messwerte (40) zum Ermitteln der Messdaten aufbereitet, insbesondere gefiltert werden.
15. Energiemanagementsystem für ein Energiesystem, umfassend eine Messeinheit und eine Recheneinheit, wobei mittels der Messeinheit mehrere Messerwerte (40) bezüglich Systemparame- tern (41) der wenigstens einer Komponente des Energiesystems erfassbar sind und zugehörige Messdaten bereitstellbar sind, dadurch gekennzeichnet, dass die Recheneinheit zur Durchfüh- rung eines Verfahrens gemäß einem der vorhergehenden Ansprü- che ausgebildet ist.
PCT/EP2020/059352 2019-05-15 2020-04-02 Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem WO2020229050A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019207061.2 2019-05-15
DE102019207061.2A DE102019207061A1 (de) 2019-05-15 2019-05-15 Verfahren zur Validierung von Systemparametern eines Energiesystems, Verfahren zum Betrieb eines Energiesystems sowie Energiemanagementsystem für ein Energiesystem

Publications (1)

Publication Number Publication Date
WO2020229050A1 true WO2020229050A1 (de) 2020-11-19

Family

ID=70277352

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/059352 WO2020229050A1 (de) 2019-05-15 2020-04-02 Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem

Country Status (2)

Country Link
DE (1) DE102019207061A1 (de)
WO (1) WO2020229050A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4030173A1 (de) * 2021-01-15 2022-07-20 Siemens Aktiengesellschaft Prüfung einer parametrisierung einer oder mehrerer messeinrichtungen
EP4043969A1 (de) * 2021-02-10 2022-08-17 Siemens Aktiengesellschaft Regelung einer energietechnischen anlage

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19841165A1 (de) * 1998-09-09 2000-03-16 Abb Research Ltd Verfahren zur Bestimmung eines Prozeßdatenvalidierungsmodells
EP1626317A2 (de) * 2004-06-30 2006-02-15 AVL List GmbH Verfahren zur Erstellung eines nichtlinearen, stationären oder dynamischen Modells einer Steuergrösse einer Arbeitsmaschine
EP1788461A1 (de) * 2005-11-22 2007-05-23 Multitel ASBL Vorrichtung und Verfahren zum Entwurf einer Sensoranordnung für ein sicheres automatisiertes System, automatisiertes System, Programmelement und computerlesbares Medium
US20070244575A1 (en) * 2006-04-13 2007-10-18 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
DE102016207740A1 (de) * 2016-05-04 2017-11-09 Siemens Aktiengesellschaft Verfahren zum Bestimmen eines Modells

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19841165A1 (de) * 1998-09-09 2000-03-16 Abb Research Ltd Verfahren zur Bestimmung eines Prozeßdatenvalidierungsmodells
EP1626317A2 (de) * 2004-06-30 2006-02-15 AVL List GmbH Verfahren zur Erstellung eines nichtlinearen, stationären oder dynamischen Modells einer Steuergrösse einer Arbeitsmaschine
EP1788461A1 (de) * 2005-11-22 2007-05-23 Multitel ASBL Vorrichtung und Verfahren zum Entwurf einer Sensoranordnung für ein sicheres automatisiertes System, automatisiertes System, Programmelement und computerlesbares Medium
US20070244575A1 (en) * 2006-04-13 2007-10-18 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
DE102016207740A1 (de) * 2016-05-04 2017-11-09 Siemens Aktiengesellschaft Verfahren zum Bestimmen eines Modells

Also Published As

Publication number Publication date
DE102019207061A1 (de) 2020-11-19

Similar Documents

Publication Publication Date Title
EP2999998B1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP3268713B1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
DE112006000821T5 (de) Steuersystem und Steuerverfahren
WO2020229050A1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP3188053A1 (de) Verfahren zum konfigurieren einer co-simulation für ein gesamtsystem
DE102016216945A1 (de) Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe
DE112019004928T5 (de) System zur verschlechterungserfassung
WO2005081076A2 (de) Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes
EP3812949A1 (de) Konfigurierbarer digitaler zwilling
EP3942372B1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP2492701B1 (de) Verfahren und Vorrichtung zum Testen einer Windturbinenanlage
DE202023106044U1 (de) Ein System zur Durchführung der Leistungsverschlussbewertung von Wälzelementlager
DE102016124205A1 (de) Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses
DE102016207740A1 (de) Verfahren zum Bestimmen eines Modells
DE102019128655A1 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
EP3527817A1 (de) Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
EP4057482A1 (de) Verfahren und vorrichtung zur zustandsschätzung eines elektrischen netzes
DE102017118996B3 (de) Verfahren zur Bestimmung von einflussführenden Parameterkombinationen eines physikalischen Simulationsmodells
DE102019126292A1 (de) System und Verfahren zum Vorhersagen einer analytischen Anomalie bei der rechnerischen Fluiddynamikanalyse
EP2517129A1 (de) Verfahren und prozessrechner zur berechnung der zustandsgrössen eines hybriden differential-algebraischen prozessmodells
DE102018222473A1 (de) Simulation des thermischen Verhaltens einer wärmeabgebenden Vorrichtung
EP3561743A1 (de) Verfahren zur ermittlung einer auslegung eines energiesystems sowie energiesystem
DE10011607A1 (de) Verfahren und Vorrichtung sowie Computerprogrammprodukt zum Betrieb einer technischen Anlage
DE102019215262A1 (de) Verfahren zur Parameteridentifikation eines Black-Box-Modells für eine oder mehrere energietechnische Anlagen eines Energiesystems
AT526080B1 (de) Diagnoseverfahren und Diagnosesystem zum Diagnostizieren einer Brennstoffzelle

Legal Events

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

Ref document number: 20718238

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20718238

Country of ref document: EP

Kind code of ref document: A1