RACE

Mål

EN VALIDERAD KOMMERSIELL LÖSNING FÖR AUTONOM OPTIMERING AV FJÄRRVÄRME

Glaze använder Beacon Tower tillsammans med Energy Cluster Denmark, Develco, Brønderslev Forsyning A/S, Broen A/S och Aalborg Universitet för att utveckla nästa generations optimeringssystem för fjärrvärme. Projektet bär namnet RACE (Real-Time AI Computing in the Energy Sector) och fokuserar på öppna datamodeller, flexibla och löst kopplade lösningsmoduler samt en öppen källkodsstrategi.

Överblick

RACE-projektet (Real-time AI Computing in the Energy sector) har framgångsrikt övergått från demonstrationsprojekt till en validerad, kommersiell lösning för autonom driftoptimering av fjärrvärmenät. Genom att kombinera en prediktiv digital tvilling med realtidsdata från ledningsnätet uppnår systemet betydande energibesparingar via en automatiserad ”closed-loop”-styrning i realtid.

Så fungerar AI-lösningen: Självlärande digital tvilling och neurala nätverk

Kärnan i RACE-lösningen är en avancerad AI-arkitektur som adaptivt hanterar komplexiteten i fjärrvärmenätet:

• Den digitala tvillingen modellerar och förutspår flödet i ledningsnätet: En matematisk-fysikalisk modell av rörnätet beräknar tryck- och temperaturförhållanden i realtid och kalibreras kontinuerligt mot faktiska mätdata. En central designprincip är att den matematiska modellen är ytterst robust mot ofullständig kartläggning av ledningsnätet och självkalibrerar över tid. Istället för att försöka bygga en perfekt teoretisk simulering använder systemet datadriven systemidentifiering och maskininlärning för att löpande förbättra sina simuleringar och prognoser.

• Neuralt nätverk förutspår värmeförbrukningen: För att uppnå hög precision tränas förbrukningsmodellen på historisk SCADA-data, inklusive framlednings- och returtemperaturer, totalt flöde vid verket och ledningstryck. Detta kombineras med väderdata (t.ex. temperatur, vindhastighet, solinstrålning) och tidscykler (säsongsvariationer och tid på dygnet) för att förutspå det framtida värmebehovet med stor träffsäkerhet.

• Självlärande styrning optimerar driften: Systemet tillämpar ett avancerat Model Predictive Control-ramverk med ett specialiserat neuralt nätverk för att simulera olika driftscenarier. Detta gör det möjligt för systemet att med hög precision fastställa och tillämpa optimala börvärden i realtid. Arkitekturen är självlärande och förbättrar löpande sin optimeringsförmåga allteftersom mer driftdata ackumuleras över tid.

Affärs- och optimeringsfördelar: Mer än ”bara” energibesparingar

RACE levererar ett starkt affärscase som sträcker sig långt bortom rena energibesparingar (5-10 % av den totala energiproduktionen), baserat på Brønderslev Forsynings och Albertslund Forsynings framgångsrika driftsättningar:

• Infrastrukturens livslängd: Genom att upprätthålla ett lägre och jämnare nättryck minskar slitaget på rörledningar och ventiler avsevärt, vilket förlänger infrastrukturens totala livslängd.

• Betydande CAPEX-besparingar: AI-driven lastbalansering gör det möjligt för energibolagen att maximera kapaciteten i befintliga rör. Detta kan resultera i besparingar på upp till 50 % på framtida nätinvesteringar (CAPEX) genom att undvika kostsamma rördimensioneringar via smartare nyttjande.

• Integration av spillvärme: Beacon Tower kan integrera realtidsdata från spillvärmeleverantörer som datacenter och livsmedelsbutiker. Det gör att värmeverket kan optimera sin produktionsmix i realtid utifrån tillgänglig överskottsvärme, vilket ytterligare minskar kostnader och koldioxidutsläpp.

• Driftrobusthet och SCADA-redundans: Om det primära SCADA-systemet drabbas av driftstopp, cyberangrepp eller systemfel har driftpersonalen fortsatt tillgång till realtidsdata om tryck och temperatur via webbportalen i Beacon Tower. Detta säkerställer att operatörerna kan fortsätta med manuell pumpdrift på välinformerat underlag och därmed förhindra leveransavbrott även vid bortfall av kontrollinfrastrukturen.

• Snabb återbetalningstid: Den beräknade återbetalningstiden för en RACE-implementering ligger mellan 1,9 och 2,8 år, vilket gör satsningen till en attraktiv kommersiell investering för både mindre och större energibolag.

HydroState: Ger den digitala tvillingen ögon i nätet

Traditionella distributionsnät drivs ofta utifrån antaganden. HydroState levererar de faktiska förhållandena genom patenterade sensorer som levererar realtidsdata om tryck, temperatur och flöde från strategiska mätpunkter. Dessa sensorer fungerar som AI-modellens ”ögon” och tillhandahåller den högupplösta återkoppling som krävs för att säkert kunna sänka temperaturer och tryck utan risk för leveranssvikt eller kavitation i ledningsnätet. Lösningen kan även integrera mätdata från exempelvis Kamstrup-mätare och andra tredjepartsleverantörer.

Öppen källkod och oberoende: Undvik inlåsning

Fjärrvärmesektorn har historiskt lidit av proprietära, slutna system. RACE bryter detta mönster genom att bygga på öppna datamodeller och flexibel arkitektur:

• Leverantörsoberoende: Systemet integrerar mot olika sensortillverkare och SCADA-system, vilket frigör energibolaget från beroendet av enskilda hårdvaru- eller mjukvaruleverantörer.

• Framtidssäkrad arkitektur: Modulära komponenter gör det möjligt att bygga ut systemet successivt, lägga till nya maskininlärningsmodeller eller integrera nya energikällor utan att behöva bygga om den grundläggande plattformen.

Slutsats: Fjärrvärmens framtid är autonom

RACE-projektet visar att framtidens fjärrvärme varken kräver enorma investeringar i ny infrastruktur eller långa implementationsprojekt. Med rätt kombination av realtidsdata, öppna datamodeller och adaptiv AI kan energibolag redan idag uppnå betydande energibesparingar och minska sina koldioxidutsläpp med bibehållen driftsäkerhet.