UserGRIDs

Dieses Forschungsprojekt ist abgeschlossen. Hier finden Sie den Ergebnis-Steckbrief zum Download.

Nutzungszentrierte Planung und Regelung komplexer nachhaltiger Quartiers-Energiesysteme

Weltweit etablieren sich nach und nach immer mehr Innovationsquartiere, um in Forschungs- und Industrieparks, aber auch in Büro- und Wohnquartieren, energiewirtschaftliche und nachhaltige Ziele zu realisieren. Dabei zeigt der Einsatz sogenannter „Digital Energy Services“ bei Planung, Erzeugung, Verteilung und dem Verbrauch von Energie großes Potenzial. Auf Basis der neuen Möglichkeiten der Datenverarbeitung führen Methoden rund um Simulation, IoT Plattformen, Machine Learning, Künstliche Intelligenz und NutzerInnen-Integration zu völlig neuen Ansätzen smarte Energiesysteme zu gestalten.

Diese galt es im Projekt UserGRIDs für den Ausbau und die Transformation des TU Graz Campus Inffeldgasse, der sich bis 2030 zum „INNOVATION DISTRICT INFFELD“ weiterentwickeln soll, zu nutzen.

Zielsetzung des Projekts UserGRIDs

Ziel des Projekts war es, diesen Forschungs- und Lehrcampus der TU Graz mit minimalen Treibhausgas-Emissionen betreibbar zu machen. Dies sollte durch digitale Planungsmethoden und optimale Bewirtschaftung der thermischen und elektrischen Speicher, sowie der Energiebereitstellung aus erneuerbaren, volatilen Quellen (Photovoltaik, Geothermie und Abwärme) unterstützt werden.

Smarte Energiesysteme für zahlreiche Akteure dank energierelevanter Echtzeit-Daten

Ein Mehrwert aus dem Projekt ergab sich vor allem für Betreiber von komplexen Energiesystemen und Anlagen, indem der Einsatz unterschiedlicher Energy Services zur Optimierung von Energiesystemen in Quartieren entwickelt, erprobt und evaluiert wurde. Die Komplexität dieser Systeme ergibt sich aus der Vielzahl der interagierenden technischen Subsysteme und der großen Anzahl von AkteurInnen und NutzerInnen, die auf der Grundlage unterschiedlichster Bedürfnisse agieren. Die Verarbeitung energierelevanter Echtzeit-Daten und das Feedback der NutzerInnen unterstützte die Anpassung der Systeme zur Optimierung von Behaglichkeit, Effizienz und Emissionen.

Vorgehensweise und Methodik des Projekts UserGRIDs

Die Demonstration erfolgte im Innovationsviertel „INNOVATION DISTRICT INFFELD“ der TU Graz, in welchem 30 Gebäude, mit ca. 125.000 m² Bruttogeschoßfläche, mit äußerst unterschiedlichen Anforderungen und Nutzungsverhalten, sowie stark fluktuierenden Verbrauchs- und Erzeugungscharakteristiken, zu einem komplexen Energiesystem verbunden sind.

Die wissenschaftliche Begleitung durch mehrere Institute der TU Graz und dem Kompetenzzentrum BEST sicherte die wissenschaftliche Dokumentation und Beweisführung, auf deren Basis die Verwertung und die Skalierung auf weitere Anwendungsfälle vorangetrieben werden kann. Die BIG, als größter öffentlicher Grundbesitzer Österreichs, wird die Ergebnisse in ihre Nachhaltigkeitsstandards und in die Vermarktung integrieren.

Die folgenden Punkte wurden im Projekt erfolgreich umgesetzt:

• Die Planung von acht digitalen Energiedienstleistungen für den größten Campus der Technischen Universität Graz ist abgeschlossen. Energieeffizienz und die Nutzung erneuerbarer Energiequellen im Betrieb wurden gestärkt. Die Ergebnisse werden in die zukünftige Entwicklung des Standortes einfließen, um die induzierten Treibhausgasemissionen zu reduzieren.
• Die Funktionalität der Dienste basiert auf einem städtischen Strukturmodell, in dem alle relevanten und verfügbaren strukturellen Informationen über Gebäude und die thermische und elektrische Infrastruktur implementiert sind. Dies dient als konsistente und gemeinsame Datenbasis für alle anderen Dienste.
• Die entwickelte und implementierte IoT-Plattform fungiert als Vermittler zwischen den im Quartier laufenden Energieleitsystemen. Rund 400 Sensoren werden periodisch abgefragt und die Messwerte in dem dafür entwickelten Datenbanksystem gespeichert. Datenreihen aus den Messungen können über eine entwickelte Schnittstelle automatisch an andere Dienste und externe Nutzer übertragen werden.
• Auf Basis der Strukturinformationen und der Sensorwerte wurden mit Hilfe von maschinellem Lernen und physikalischer Modellierung Vorhersagemodelle für den Verbrauch und die photovoltaische Erzeugung von elektrischer Energie entwickelt, implementiert und getestet. Diese Modelle vergleichen kontinuierlich aktuelle Messwerte mit den Ergebnissen aus den Modellen und können auf dieser Basis Betriebsfehler automatisch erkennen und melden.
• Die Sensorwerte werden automatisiert und kontinuierlich verbunden, um ein Bild der Energieflüsse im Quartier zu erstellen und die Leistung des Energiesystems zu analysieren. Für einige Gebäude wurden Leistungskennzahlen eingeführt, die Auskunft über den aktuellen und früheren Verbrauch von Energieträgern und die damit verbundenen Treibhausgasemissionen geben.
• Das Energiemanagement eines Bürogebäudes läuft seit Dezember 2022 über den CONTROL-Dienst der IoT-Plattform. Messungen und Simulationen haben gezeigt, dass die verwendeten prädiktiven Steuerungsmodelle, die mit der direkten Integration von Nutzerfeedback arbeiten, hervorragende Ergebnisse liefern. Der thermische Komfort konnte deutlich gesteigert und der Energiebedarf für Heizung und Kühlung erheblich reduziert werden. In einer begleitenden Studie wurde der gewählte Optimierungsansatz mit einem Optimierungsansatz aus dem Bereich des maschinellen Lernens bzw. der KI verglichen.
• Für die Analyse zukünftiger Transformationsoptionen wurden neue Ansätze für die halbautomatische Erstellung von energetischen Quartiersmodellen entwickelt. Darüber hinaus wurde im Rahmen von zwei Masterarbeiten erfolgreich damit begonnen, halbautomatische Übertragungen von Bauteilen (Wände, Decken, etc.) und energietechnischen Komponenten (Heizkörper, etc.) aus dem Strukturmodell in Simulationsprogramme zu erstellen.
• Das Energiemodell des Stadtteils (Gebäude, Wärmenetz, Kältenetz) wurde verwendet, um das Szenario der Implementierung einer großen Wärmepumpe zu analysieren, welche die im Stadtteil erzeugte Abwärme nutzt. Die energetischen, ökologischen und finanziellen Vorteile einer solchen Lösung wurden analysiert. Das Modell wurde auch mit prädiktiven Regelungsmodellen über CO-Simulation gekoppelt, um den optimierten Betrieb der beteiligten Komponenten des Wärmepumpensystems (Gebäude, Wärmepumpe, Tiefensondenfeld, PV-Systeme) zu entwerfen und virtuell zu testen.