Philipp Wohlgenannt har vært knyttet til ph.d.-programmet ved Teknologi og realfag, med spesialisering i Ingeniørvitenskap, fagområde fornybar energi.
- Prøveforelesning starter kl. 10.15
- Disputas starter kl. 12.15
Tema for prøveforelesningen "Influencing and Modifying Consumer Energy use with Demand Side Management using AI, Data and Analytics".
Les avhandlingen i Nasjonalt vitenarkiv
Disputasleder: Paul Ragnar Svennevig
Evalueringskomite:
- Første opponent: Professor Irina Oleinikova, NTNU
- Andre opponent: Førsteamanuensis Yajuan Guan, Aalborg Universitet
- Komiteadministrator: Førsteamanuensis Ajit Jha, UiA
Veiledere i doktorgradsarbeidet:
- Hovedveileder: Professor Mohan Lal Kolhe, UiA
- Biveileder: Professor Peter Kepplinger, Vorarlberg University of Applied Sciences, Østerrike
Sammendrag
Denne avhandlingen undersøker avanserte metoder for industriell etterspørselsstyring (DSM) med fokus på næringsmiddelindustrien og tilhørende energisystemer. Hovedmålet er operasjonell optimalisering av industrielle prosesser i matvareindustrien for å redusere energikostnader, senke forbruket og støtte netstabilitet. Arbeidet kombinerer fysikkbasert modellering, matematisk optimalisering, maskinlæring (ML) og dyp forsterkningslæring (RL) for systematisk å utnytte både termiske og elektriske lagringsressurser.
En fysikkbasert modell av en næringsmiddelbedrift ble utviklet ved hjelp av transiente energibalanser, formulert som et lineært tilstandsromsystem og optimalisert ved lineær programmering (LP). En termisk energilagring (TES) ble utnyttet på to måter: passivt, ved å bruke den termiske tregheten til produksjons- og kjølehaller, og aktivt, gjennom integrering av en kaldtvannsbuffertank. Optimaliseringsrammeverket ble implementert i en modell-prediktiv styringsstrategi (MPC), som muliggjorde dynamisk tilpasning til ytre forhold. Resultater fra casestudier viste at energiforbruket kunne reduseres med opptil 18%, strømkostnader med opptil 24%, og effektbehovet med opptil 36%.
I et neste steg ble lagerhallen analysert i detalj. Systemidentifikasjon basert på mer enn 20 sensorer ga en termisk kapasitet på 182 kWh/K. Med et temperaturområde på 5 K tilsvarer dette et lagringspotensial på 445 kWh elektrisk lagring.
En Transformer-Encoder-arkitektur ble brukt til termisk lastprognose, mens dyp RL optimaliserte settpunktstemperaturen for å muliggjøre lastforskyvning. Dyp RL oppnådde kostnadsreduksjoner på nivå med mixed-integer linear programming (MILP), men med langt høyere beregningseffektivitet, der hver beslutning tok millisekunder i stedet for sekunder for MILP. En annen nøkkelfordel med dyp RL er at miljøet kan være ikke-lineært, i motsetning til MILP som krever linearitet. Videre viste multi-objektiv optimalisering at dyp RL robust kan håndtere prognoseusikkerheter, med opptil 15,50% kostnadsreduksjoner og 9,80% CO2-reduksjoner, samtidig som det tilbys verdifulle avveiinger langs Pareto-fronten.
Analysen ble deretter utvidet til hele fabrikken, hvor Extended Long Short-Term Memory (xLSTM), Long Short-Term Memory (LSTM) og Transformer-modeller ble brukt til korttids lastprognoser. Basert på disse prognosene ble MILP benyttet til å styre et batterienergilagringssystem (BESS) for daglig lastforskyvning. Et 3,92 MWh, 4 t BESS ga den beste balansen mellom investeringskostnad og realiserbare besparelser, og resulterte i årlige kostnadsreduksjoner på 37 270 EUR, tilsvarende en avkastning på 10,34% og en tilbakebetalingstid på 9,67 år. Sensitivitetsanalyser med estimerte batteripriser frem til 2050 fremhevet det økende økonomiske potensialet til BESS, med mulige årlige besparelser på opptil 120 000 EUR under optimistiske prisscenarier.
Utover næringsmiddelindustrien ble de utviklede metodene også anvendt i en produksjonsbedrift, i energisamfunn og i nesten nullenergibygg (NZEB). I produksjon muliggjorde kombinasjonen av BESS og produksjonsplanlegging kostnadsreduksjoner på opptil 10,9% i sanntidsprismiljøer. I flerbygg-energisamfunn oppnådde delte BESS-ressurser kombinert med lastprognoser gjennomsnittlige energikostnadsbesparelser på rundt 8%. I konteksten av NZEB ble en transient energibalansmodell kombinert med MILP og MPC brukt til å optimalisere driften av varmepumper, noe som resulterte i kostnadsreduksjoner, forbedret energieffektivitet og økt komfort for brukerne. Til sammen understreker disse anvendelsene allsidigheten og den brede nytteverdien av de foreslåtte metodene utover næringsmiddelindustrien.
Samlet sett viser denne avhandlingen at integrasjonen av TES, BESS, avanserte prognoser og operasjonelle optimaliseringsmetoder som RL og MILP gir kraftige verktøy for industriell DSM. De foreslåtte metodene gir ikke bare betydelige økonomiske og miljømessige fordeler, men bidrar også til nettstabilitet og overgangen til mer bærekraftige industrielle energisystemer.
Slik følger du disputasen digitalt
Disputasen er åpen for alle. Meld deg på via denne Zoom-lenken.
Du logger deg på tidligst 10 minutter før oppgitt tid. Etter dette kan du når som helst forlate og komme inn igjen i disputasen.
Opponent ex auditorio:
Tidsfrist for å stille spørsmål er senest i løpet av pausen mellom opponentene. Spørsmål ex auditorio fra publikum kan sendes til Paul Ragnar Svennevig.
Kontaktperson
- E-post
- kristine.reinfjord@uia.no
- Telefon
- +47 37 23 30 14