Development of biogas power plant models based on statistical methods

Abstract

Um die angestrebten Klimaschutzziele zu erreichen, ist ein diversifiziertes und robustes Energieversorgungssystem unerlässlich. Biogasanlagen können hierzu einen bedeutenden Beitrag leisten, indem sie organische Substrate unter kontrollierten anaeroben Bedingungen in ein methanhaltiges Gasgemisch überführen, das anschließend in Blockheizkraftwerken zur gekoppelten Strom- und Wärmeerzeugung genutzt werden kann. Die Funktionsweise solcher Anlagen lässt sich jedoch nicht in das konventionelle energetische Wandlungsparadigma einordnen, das durch direkte Umwandlungsprozesse - wie etwa bei Brennstoffzellen oder Batteriespeichern - charakterisiert ist. Die Biogaserzeugung beruht vielmehr auf einem komplexen biochemischen Prozess, der derzeit üblicherweise mittels hochdetaillierter und rechenintensiver anaerober Vergärungsmodelle oder durch Verfahren des maschinellen Lernens beschrieben wird. Letztere neigen jedoch dazu, physikalische Zusammenhänge und betriebsrelevante Qualitätsindikatoren zu abstrahieren, was die Vorhersage des Anlagenverhaltens unter variablen und strategisch angepassten Betriebsbedingungen erheblich erschwert. Diese Arbeit befasst sich mit dem oben genannten Problem, indem sie Methoden einführt, die auf numerischen und statistischen Überlegungen beruhen, um die Korrelationen und wechselseitigen Auswirkungen der verschiedenen Komponenten von Biogaskraftwerken zu visualisieren und mathematisch zu erfassen. Dies wird durch die Anwendung von verzögerten Kreuzkorrelationstests und Binning erreicht. Anschließend werden physikalisch basierte Modelle vorgestellt, die sowohl die Biogasproduktion als auch die Biogasentnahme in Abhängigkeit von einstellbaren externen Parametern, d.h. elektrischer Energie und Fütterung, erfassen. Die automatisierte Leistungsregelung der Anlage wird ebenfalls berücksichtigt. Dabei werden Nachschlagetabellen verwendet, um ein geschlossenes Regelkreissystem zu etablieren, das vollständig durch die Anpassung der Menge, Qualität und des Zeitpunkts der organischen Zuführungen steuerbar ist. Die Biogasproduktionsrate verwendet den bewährten Ansatz der modifizierten Gompertz-Funktion, um eine datengesteuerte Parameteranpassung durchzuführen. Dabei wird der mittlere quadratische Fehler zwischen den vorverarbeiteten Rohmessdaten und der Simulationsvorhersage minimiert. Die praktischen Auswirkungen der Datenqualität werden ebenfalls erörtert, ebenso wie das Potential davon, Daten mit größerer Genauigkeit zu erfassen. Die Simulationsergebnisse werden mit Daten aus einem realen Kraftwerk im burgenländischen Weingraben verglichen.

To achieve the targeted climate protection goals, a diversified and robust energy supply system is indispensable. Biogas plants can make a significant contribution to this objective by converting organic substrates under controlled anaerobic conditions into a methane-rich gas mixture, which can subsequently be used in combined heat and power units for the cogeneration of electricity and heat. However, the operational principles of such facilities cannot be readily classified within the conventional paradigm of energy conversion, which is characterized by direct transformation processes, as is the case for fuel cells or battery storage systems. Instead, biogas production is based on a complex biochemical process that is typically described either by highly detailed and computationally intensive anaerobic digestion models or by methods of machine learning. The latter, however, tend to abstract physical relationships and operationally relevant quality indicators, which significantly complicates the prediction of plant behavior under variable and strategically adapted operating conditions. This thesis addresses the aforementioned issue by introducing methods based on numerical and statistical considerations to visualise and mathematically capture the correlations and mutual effects of the different components of biogas power plants. This is achieved by applying lagged crosscorrelation tests and binning. Subsequently, physics-based models are presented that capture both biogas production and outtake depending on adjustable external parameters, namely electric power and feeding. The automated set-point power strategy of the plant is also considered, using look-up tables to establish a closed feedback-loop system that is fully controllable by adjusting the quantity, quality, and timing of organic feed instances. The biogas production rate uses the well-established approach of the modified Gompertz function to perform data-driven parameter fitting. This involves minimising the mean square error between the pre-processed raw measurement data and the simulation prediction. The practical effects of data quality are also discussed, as is the potential for sampling data with greater accuracy. The simulation outputs are compared with data from a real power plant in Weingraben, Burgenland.