SmartFarm
Arbeitsgruppe: | AG Optimierung und Optimale Steuerung |
Leitung: |
Prof. Dr. Christof Büskens ((0421) 218-63861, E-Mail: bueskens@math.uni-bremen.de )
Dr.-Ing. Mitja Echim (E-Mail: mitja.echim@topas.tech) |
Bearbeitung: |
Dr.-Ing. Francesca Jung
Malin Lachmann ((0421) 218-64355, E-Mail: mlachman@uni-bremen.de) Wiebke Bergmann Dr. Margareta Runge ((0421) 218-63629, E-Mail: m.runge@uni-bremen.de) |
Projektpartner: |
IAV, Ingenieurgesellschaft Auto und Verkehr, Gifhorn Elektroanlagen Meyer AG Kognitive Neuroinformatik, Universität Bremen |
Laufzeit: | 01.01.2016 - 31.03.2019 |
Webseite: | https://worhp.de/smartfarm/ |
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 gewonnen 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 Verbrauchverhaltens mittels Minimalhardware entwickelt. Das Vorhaben wird an einem Beispielhof im ländlichen Raum demonstriert, so dass das System realitätsnah entwickelt, getestet und analysiert werden kann.
Das Projekt ist ein Verbundvorhaben zwischen der Universität Bremen und den Partnern IAV und Elektroanlagen Meyer. Die AG Optimierung und Optimale Steuerung wird die Aufgaben der Modellierung der Energieerzeuger, die Optimierung der Betriebsfahrpläne und die Implementierung und Validierung der Steuerungssoftware übernehmen.
Beispielhafte Messdaten vom Demonstrationshof können hier eingesehen werden.
Publikationen
- 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, 13(8), 2084, 2020.DOI: 10.3390/en13082084
- M. Lachmann, F. Jung, C. Büskens.
Computationally efficient identification of databased models applied to a milk cooling system.
Conference of Computational Interdisciplinary Science, CCIS, 19.03.-22.03.2019, Atlanta, USA.
Campinas: Galoa, 2020. - F. Jung, M. Lachmann, W. Bergmann, J. Maldonado, G. Meyer, N. Koop, N. Steenhusen, M. Echim, C. Büskens, K. Schill, R. Frase.
SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Projektbericht, Abschlussbericht, Bremen, Universität Bremen, Juni 2019. - F. Jung, M. Lachmann, W. Bergmann, J. Maldonado, G. Meyer, N. Koop, N. Steenhusen, M. Echim, C. Büskens, K. Schill, R. Frase.
SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 02/ 2018, Bremen, Universität Bremen, Januar 2019. - F. Jung, M. Lachmann, W. Heins, D. Weigel, J. Maldonado, G. Meyer, N. Koop, N. Steenhusen, J. N. Hasse, M. Echim, C. Büskens, K. Schill, R. Frase.
SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 02/ 2017, Bremen, Universität Bremen, Februar 2018. - F. Jung, M. Lachmann, W. Heins, J. Maldonado, G. Meyer, N. Koop, N. Steenhusen, J. N. Hasse, M. Echim, C. Büskens, K. Schill, R. Frase.
SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 01/ 2018, Bremen, Universität Bremen, August 2018. - F. Jung, M. Lachmann, W. Heins, D. Weigel, J. Maldonado, G. Meyer, C. Fiege, N. Koop, N. Steenhusen, J. N. Hasse, M. Echim, C. Büskens, K. Schill, R. Frase.
SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 01/ 2017, Bremen, Universität Bremen, Juli 2017. - F. Jung, M. Lachmann, W. Heins, D. Weigel, C. Zschippig, G. Meyer, J. Frels, C. Fiege, N. Koop, M. Runge, J. N. Hasse, M. Echim, C. Büskens, K. Schill, R. Frase.
Verbundvorhaben: SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 02/ 2016, Bremen, Universität Bremen, Januar 2017. - F. Jung, W. Heins, D. Weigel, C. Zschippig, G. Meyer, J. Frels, C. Fiege, N. Koop, M. Runge, M. Echim, C. Büskens, K. Schill, R. Frase.
Verbundvorhaben: SmartFarm: Datenbasiert zum optimierten Eigenverbrauch.
Zwischenbericht, 1. Halbjahr 2016, Bremen, Juli 2016.