Durch den Wegfall der EEG-Vergütung verändert sich der wirtschaftliche Rahmen für viele Kraftwerksbetreiber drastisch. Damit Anlagen weiter wirtschaftlich genutzt werden können, müssen kostengünstige aber auch problematische Reststofffraktionen unterschiedlicher Qualität zum Einsatz kommen. Diese bergen ein hohes Risiko für Verschlackungen, was wiederum die Verfügbarkeit und Gesamtwirtschaftlichkeit einer Anlage beeinträchtigt.

Machine Learning im Biomasseheizkraftwerk

Ziel des Projekts ist es, Strategien zu entwickeln, wie die Verschlackungsneigung insbesondere bei problematischen Brennstoffen reduziert werden kann. In einem Projektteil wird dafür ein Frühwarnsystem für Verschlackung entwickelt, das auf einem »Machine-Learning«-Ansatz basiert. Das selbstlernende System setzt auf einer im Vorprojekt entwickelten Simulationsumgebung für Verschlackungsvorhersage auf und soll in der Lage sein, Ablagerungen live zu detektieren. Dann schlägt es dem Anlagenbetreiber Gegenmaßnahmen vor, z.B. eine Anpassung der Feuerungsparameter. Erstmals wird »Machine-Learning« und damit ein Ansatz erfahrungsbasierter Regelungsstrategien auf Biomasseheizkraftwerke angewendet.

Zusätzlich werden im Projekt verschiedene Ansätze der Brennstoffvorbehandlung demonstriert und bewertet und Möglichkeiten für die Optimierung des Anlagenbetriebs gezeigt.

Weniger Schlacken bei Problem-Brennstoffen

Martin Meiller, Gruppenleiter Energie aus Biomasse und Abfall im Fraunhofer Institut sagt: »Unser Ziel ist es, den Anlagenbetrieb, besonders bei problematischen Brennstoffen, wirtschaftlicher zu machen. Die Kombination aus Brennstoffvorbehandlung, optimiertem Anlagenbetrieb und dem Frühwarnsystem erscheint aussichtsreich.«

Die Anlagenintegration des Frühwarnsystems (Soft- und Hardware) wird von der Firma aixprocess GmbH entwickelt und in einem Heizkraftwerk des Stadtwerks Tauberfranken erstmals im Realbetrieb getestet. Die Validierung im Vorfeld erfolgt im Energie- und Biomasse-Technikum von Fraunhofer UMSICHT in Sulzbach-Rosenberg. Das Projekt wird koordiniert vom Lehrstuhl für Energieverfahrenstechnik (EVT) der Friedrich-Alexander-Universität Erlangen.