RACE

Goal

Real-Time AI Computing i Energisektoren

Glaze bruger Beacon Tower sammen med Energy Cluster Denmark, Develco, Brønderslev Forsyning A/S, Agerkrantz Controls ApS og Aalborg Universitet til at udvikle næste generation af fjernvarmeoptimeringssystemer. Projektet hedder RACE (Real-Time AI Computing in the Energy Sector) og har fokus på åbne datamodeller, fleksible og løst-koblede løsningsmoduler samt en Open Source tilgang.

Overblik

Energiforbrug i bygninger udgør næsten 40% af det samlede energiforbrug i Danmark. Energien bruges primært til opvarmning, ventilation og belysning. Optimering af fjernvarmenet er én af mulighederne for at opnå energibesparelser på dette område. Virkningen ved at sænke returtemperaturen med kun 1 grad Celsius sparer energi til 10.000 huse eller 9.500 ton CO2. At energieffektivisere energiforbrug i og til bygninger spiller en afgørende rolle for, at vi kan nå det politiske mål om at være uafhængig af fossile brændstoffer i 2050 og nå 70% målet i 2030.

Baggrund

I dag er udfordringen i fjernvarmesektoren, at data kun kan anvendes i isolerede siloer eller dedikerede systemer, der ikke er forberedt til dataudveksling, som er nødvendig for at dele data og udnytte Machine Learning mellem systemer. Eksisterende leverandører i fjernvarmesektoren anvender i dag proprietære løsninger med leverandør lock-in, hvilket reducerer den fleksibilitet og systemkobling, som er nødvendig. Dette er en barriere for opnåelse af energieffektivitet og energibesparelser i hele fjernvarmesystemet, da opnåelse af det næste niveau af optimeringer kræver realtidsdataanalyser.

Realtidsdata, cloud computing, Machine Learning og AI-kontrol muliggør realisering af den næste generation af fjernvarmesystemer, som har været meget efterspurgt i de senere år. At vide, hvordan man skal anvende disse teknologier på en fleksibel, sikker og således skalérbar måde, vil også være afgørende ift. til at eksportere fjernvarmesystemer (såvel som køleløsninger) som moderne og fremtidssikrede energiløsninger til nye markeder.

Optimering af fjernvarmesystemer i fremtiden kræver en kombination af avancerede teknologiløsninger, fleksible integrationer og ekspertise inden for energistyring og systemteknik. For at opnå disse optimeringer kræver det en digitalisering af fjernvarmesektoren ved at have realtidsindgang til hele nettet og en systemkobling til forskellige energi- og datakilder. Dette øger mængden af data, der skal behandles, gemmes og analyseres og dermed pålægges der krav om åbenhed og fleksibilitet til datalagringen.

Projektbeskrivelse

Dette projekt adresserer udfordringen med at hente realtidstrykmålinger og flowdata fra adskillige nye målepunkter i fjernvarmenettet og skaber indsigt med Machine Learning genererede tværsektorale Digital Twins.

Projektets samlede mål er at:

• Udvikle en fleksibel og moderne fjernvarmeplatform, der minimerer afhængigheden af fossil energi og er målrettet eksport til visionære Smart City projekter ved hjælp af innovative forretningsmodeller.
• Bidrage til det danske og europæiske AI-arbejde indenfor energisektoren.
• Udvikle Machine Learning & AI-kontrolsystemer, der bruger realtidsdata fra forskellige enheder og systemer til at optimere den daglige drift til nær realtidsstyring.
• Demonstrere, at løsningen optimerer energiproduktionen og distributionen ved at bruge en nyligt patenteret realtids flowsensor og HydroState kontrolboks, en åben og skalérbar cloudbaseret dataplatform, og anvendelse af avancerede AI-kontrolteknikker på adskillige realtids såvel som eksterne datakilder.
• Dokumentere, at løsningen kan spare 10% af fjernvarmeselskabers årlige energiforbrug ved at reducere el-forbruget til pumper, reduceret ledningstab ved lavere fremløbs- og returtemperatur og højere effektivitet ved kedler og varmepumper sammenlignet med eksisterende fjernvarmeforsyninger, der ikke har data fra realtids målepunkter og systemkobling med AI-kontrol.

I RACE udvikles en sensorløsning til real-tidsmåling af tryk, temperatur og flow i ventiler. Det målte tryk over ventilen bruges til at indstille nøjagtige tryk på hoved- og boosterpumper. I RACE videreudvikles og udnyttes Beacon Towers åbne og fleksible arkitektur som en dataplatform til at opsamle og strukturere maskin- og tidsserie-data, der muliggør åben deling af data mellem systemer. Der udvikles løsninger der støtter de beslutninger, som skal træffes til at planlægge systemet ved hjælp af AI-algoritmer, der er trænet med Machine Learning genererede digital twins, der har lært af datasæt, der spænder over hele sæsoner. I projektet bruges generelle løsninger til integration til typiske fjernvarmesystemers OT-systemer, løsningerne er baseret på åbne og moderne industristandarder. I projektet udvikles en løsning til styring af fjernvarmeventiler fra SCADA baseret på AI -kontrolteknologi. Alt det ovenstående testes sammen med et eller flere fjernvarmeselskaber.

Dette er et projekt støttet af EUDP – Energiteknologisk Udviklings- og Demonstrationsprogram i Danmark. Projektet har et budget på ca. 13 mio DKK.

Mere information

Er du i interesseret i at høre mere? Så kontakt gerne Jakob Appel, Managing Partner i Glaze, på jakob.appel@glaze.dk eller +45 26 17 18 58 for mere information.