Data-driven modelling of a fixed bed regenerator using machine learning in tensorflow

Abstract

Die zunehmende Digitalisierung wirkt sich auf unser tägliches Leben aus und führt zu einer sich verändernden Arbeitswelt und Gesellschaft. Die Anwendungsbereiche von Digitalisierungsmethoden sind breit und nicht immer direkt ersichtlich. Diese Arbeit stellt einen konkreten Anwendungsfall dar, wie Digitalisierung im Energiesektor einsetzt werden kann. Als Anwendungsfall dient ein Festbettregenerator, ein sensibler thermischer Energiespeicher. Auf der einen Seite wird ein datengetriebenes Modell des Energiespeichers mithilfe von maschinellem Lernen in Tensorflow erstellt. Auf der anderen Seite wird gezeigt, wie die Bereitstellung eines maschinellen Lernmodells in die Produktion funktioniert. Eine Einführung in das Referenzarchitekturmodell RAMI-4.0 wird gegeben, das die Implementierung von Industrie 4.0 Methoden beschreibt. Um ein datengetriebenes Modell zu erstellen, das die Lade- und Entladezyklen des Festbettregenerators vorhersagt, wird die Modellierungstechnik "Long Short-Term Memory" (LSTM) verwendet, eine Art von künstlich neuronalem Netzwerk. Insgesamt werden drei verschiedene LSTM-Modelle des Energiespeichers erstellt. Die LSTM-Modelle folgen zwar dem Haupttrend in den Daten, sagen jedoch den Verlauf der wahren Kurven mit erheblichen Abweichungen voraus. Möglicherweise sind mehr Daten und andere datengetriebene Modellierungsansätze erforderlich, um genauere Vorhersagen zu erzielen.

The increasing digitalization influences our daily lifes and leads to a changing working world and society. The application areas of digital technologies are wide and not always directly evident. This thesis gives an example, how digitalization technologies can be applied in the energy sector. As a use case, a fixed bed regenerator, a sensible thermal energy storage, is used. On the one hand, a data-driven model of the storage is built by using Machine Learning in Tensorflow. On the other hand it is explained how the deployment of a Machine Learning model into production works. An introduction to the reference architecture model RAMI-4.0 is given, which describes the implementation of industry 4.0 methods. In order to create a data-driven model that predicts the loading and unloading cycles of the fixed bed regenerator, the modelling technique '"Long Short-Term Memory" (LSTM), a kind of Artificial Neural Network is used. In total, three different LSTM models of the storage are built. Although the LSTM models manage to follow the main trend in the data, they predict the course of the true curves with considerable deviations. More data and different data-driven modelling approaches might be required to achieve more accurate predictions.