Mit der Einführung des Erneuerbare-Energien-Gesetzes im Jahr 2000 wurden in Deutschland die Rahmenbedingungen für eine betriebswirtschaftlich rentable Produktion von erneuerbaren Energien gesetzt. Kleine und mittelgroße landwirtschaftliche Betriebe sowie landwirtschaftliche Nebenerwerbsbetriebe (nachfolgend KMLB genannt) stellen in Deutschland den weitaus größten Anteil der landwirtschaftlichen Unternehmen. In der Regel haben sie einen enormen Strom- und Energiebedarf. In dem Projekt SmartFarm soll eine Methodik entwickelt werden, die es automatisiert erlaubt, erneuerbare Energien (Solar- und Windkraft) gewinnbringend für KMLB einzusetzen.
Hierzu werden (aus technischer Sicht), drei aufeinander aufbauende Phasen bearbeitet:
Zuerst werden automatisiert Daten eines KMLB erfasst und ein minimalsensorisches Messsystem wird entwickelt.
Auf Basis der so gewonnenen Daten werden hochgenaue Prognosemodelle entwickelt, die die Produktion regenerativer Energieversorgungssysteme und KMLB-Verbraucher vorhersagen. Dies geschieht mittels mathematischer Methoden der datenbasierten Modellierung und Verfahren der kognitiven Neuroinformatik.
Darauf aufbauend wird die bestmögliche Auslegung des Eigenverbrauchs eines KMLB mittels Methoden der hochdimensionalen numerischen nichtlinearen Optimierung und Optimalsteuerung bestimmt.
Übergeordnetes Ziel ist die Entwicklung von Werkzeugen, die es erlauben, eine kostenoptimale Auslegung von Anlagenkomponenten für einen konkreten KMLB zu empfehlen und für einen KMLB den Eigenverbrauch, die Einspeisung und die Entnahme unter betriebswirtschaftlichen Gesichtspunkten für die nächsten Stunden und Tage zu optimieren. Ein weiterführendes Ziel ist die Entwicklung von Methoden zur betriebswissenschaftlichen Abbildung und Bewertung der Rahmenbedingungen für ein tragfähiges Geschäftsmodell. Ferner werden Methoden der Datenerfassung durch Minimalauslegung der Sensorik, die Entwicklung einer autonomen Messbox, sowie die Regelung des optimal prognostizierten Verbraucherverhaltens mittels Minimalhardware entwickelt. Das Vorhaben wird an einem Beispielhof im ländlichen Raum demonstriert, so dass das System realitätsnah entwickelt, getestet und analysiert werden kann.
Die Stromerzeugung einer PV-Anlage ist stark von dem aktuellen Wetter, insbesondere der Solareinstrahlung, abhängig. Die gelbe Kurve am unteren Rande des Videos gibt die gemessene Leistung der PV-Anlage wieder. Parallel dazu kann man den Gesamtverbrauch des Hofes anhand der pinken Kurve verfolgen.
Veröffentlichungen
F. Jung, M. Lachmann, C. Büskens. SmartFarm - Data based optimization for optimal
energy management. 88th GAMM Annual Meeting of the international Association of
Applied Mathematics and Mechanics (GAMM). Proc. Appl. Math. Mech., 17(1):741-742,
2017.
F. Jung, C. Büskens. Probabilistic Data-Based Models for a Reliable Energy Management. 18th International Conference on Environment and Electrical Engineering
(EEEIC), 12.06-15.06.2018, Palermo, Italien.
W. Heins, C. Büskens. Two-Level Forecast-Based Energy and Load Management
for Grid-Connected Local Systems Using General Load and Storage Models. 18th
International Conference on Environment and Electrical Engineering (EEEIC), 12.06-
15.06.2018, Palermo, Italien.
M. Lachmann, F. Jung, C. Büskens. Computationally efficient identification of databased models applied to a milk cooling system.
JCIS - Journal of Computational Interdisciplinary Sciences, Special Issue Conference
Proceedings CCIS 2019
M. Lachmann, J. Maldonado, W. Bergmann, F. Jung, M. Weber, C. Büskens. Self-Learning Data-Based Models as Basis of a Universally Applicable Energy Management System.
Energies 2020, 13(8):2084
