Ziel des Projekts ist die Entwicklung von innovativen Regelungsstrategien und Geschäftsmodellen sowie die Entwicklung einer selbstlernenden Steuerung für Biogasanlagen (BGAs) zur Vermeidung kurzfristiger, tageszeitlich auftretender Netzüberlastung im ländlichen Verteilnetz. Die Steuerung soll die lokalen Bedürfnisse des Verteilnetzes mit hohem Anteil fluktuierender Energieerzeuger ins Zentrum der vorausschauenden Fahrplanerstellung für BGAs rücken. Die Steuerung soll auf Schwankungen von Photovoltaikanlagen (PV) kurzfristig und selbstlernend reagieren. Hierzu werden laufend Wetterprognosen aus Modellen und modernen Nowcasting-Verfahren sowie PV-Strom-Einspeiseprofile, realer am Stromnetz angeschlossener PV-Anlagen, in den Steuerungsablauf integriert. Es werden Verbesserungen bisher verfügbarer Wetterprognosen hinsichtlich kleinräumiger und kurzfristiger Schwankungen bei sehr kurzen Vorhersagehorizonten auf Basis hochaufgelöster Satelliten- und Wetterkameradaten integriert. Die Stromerzeugung und die gleichzeitige Versorgung von Wärmenetzen durch BGAs werden untersucht. Zusätzlich soll die Steuerung der BGA Zellerfeld auf Netzbedürfnisse sensibilisiert und verbessert sowie das bestehende Monitoring weitergeführt werden.
Ziel des Projekts ist die Entwicklung von innovativen Regelungsstrategien und Geschäftsmodellen sowie die Entwicklung einer selbstlernenden Steuerung für Biogasanlagen (BGAs) zur Vermeidung kurzfristiger, tageszeitlich auftretender Netzüberlastung im ländlichen Verteilnetz. Die Steuerung soll die lokalen Bedürfnisse des Verteilnetzes mit hohem Anteil fluktuierender Energieerzeuger ins Zentrum der vorausschauenden Fahrplanerstellung für BGAs rücken. Die Steuerung soll auf Schwankungen von Photovoltaikanlagen (PV) kurzfristig und selbstlernend reagieren. Hierzu werden laufend Wetterprognosen aus Modellen und modernen Nowcasting-Verfahren sowie PV-Strom-Einspeiseprofile, realer am Stromnetz angeschlossener PV-Anlagen, in den Steuerungsablauf integriert. Es werden Verbesserungen bisher verfügbarer Wetterprognosen hinsichtlich kleinräumiger und kurzfristiger Schwankungen bei sehr kurzen Vorhersagehorizonten auf Basis hochaufgelöster Satelliten- und Wetterkameradaten integriert. Die Stromerzeugung und die gleichzeitige Versorgung von Wärmenetzen durch BGAs werden untersucht. Zusätzlich soll die Steuerung der BGA Zellerfeld auf Netzbedürfnisse sensibilisiert und verbessert sowie das bestehende Monitoring weitergeführt werden.
Die Zunahme von Wärmepumpen bei der Realisierung einer klimaneutralen Wärmeversorgung führt zu einer signifikaten Zunahme und Änderung der elektrischen Lasten in den Verteilnetzen. Daher gilt es, Wärmepumpen so zu steuern, dass sie Verteilnetze wenig belasten oder sogar unterstützen. Im Projekt sollen Wärmepumpen, die gemeinsam mit PV-Anlagen betrieben werden, durch prädiktive Algorithmen in Kombination Wolkenkamera-basierte Kürzestfristvorhersagen für die PV-Erzeugung netzdienlich gesteuert werden. Auf Basis realer Betriebserfahrungen sollen das Potential aus Netzsicht abgeschätzt und Erkenntnisse für eine flächendeckende Nutzung abgeleitet werden (Details im Rahmenplan). Die Beiträge des Instituts für Energiesystemtechnik (INES) der HSO sind neben der (0) Projekt-koordination (1) die Bereitstellung der prädiktiven Algorithmen, die zuvor aus Basis einer Analyse historischer Betriebsdaten ausgelegt wurden, (2) die Implementierung von Vorhersagesystem und Algorithmen in die Realumgebung sowie (3) die Skalierung und Bewertung der Ergebnisse auf Netzebene.
Die Zunahme von Wärmepumpen bei der Realisierung einer klimaneutralen Wärmeversorgung führt zu einer signifikaten Zunahme und Änderung der elektrischen Lasten in den Verteilnetzen. Daher gilt es, Wärmepumpen so zu steuern, dass sie Verteilnetze wenig belasten oder sogar unterstützen. Im Projekt sollen Wärmepumpen, die gemeinsam mit PV-Anlagen betrieben werden, durch prädiktive Algorithmen in Kombination Wolkenkamera-basierte Kürzestfristvorhersagen für die PV-Erzeugung netzdienlich gesteuert werden. Auf Basis realer Betriebserfahrungen sollen das Potential aus Netzsicht abgeschätzt und Erkenntnisse für eine flächendeckende Nutzung abgeleitet werden (Details im Rahmenplan). Die Beiträge des Instituts für Energiesystemtechnik (INES) der HSO sind neben der (0) Projekt-koordination (1) die Bereitstellung der prädiktiven Algorithmen, die zuvor aus Basis einer Analyse historischer Betriebsdaten ausgelegt wurden, (2) die Implementierung von Vorhersagesystem und Algorithmen in die Realumgebung sowie (3) die Skalierung und Bewertung der Ergebnisse auf Netzebene.
Das Ziel des Projektes mobileVIEW ist die Kombination von Sensordaten aus fahrenden KFZ mit stationsgebundenen Daten sowie Radardaten zur Erfassung von Niederschlag und Satellitendaten. Die wesentliche Aufgabe liegt darin, aus den erfassten Einzelinformationen (Big Data) eine Gesamtinformation zu erzeugen, die einen Mehrwert gegenüber den Einzeldaten aufweist (Smart Data). Im Ergebnis werden Kürzestfristvorhersagen für Niederschlagsereignisse erzeugt, die der Wasserwirtschaft für Prognosen dienen und im Fall von Starkregen auch Feuerwehr und Katastrophenschutz wertvolle Informationen liefern können. Im Zusammenhang mit weiteren - z.B. beim BMVI vorliegenden - Echtzeitdaten im Bereich Verkehr sollen die so erfassten Informationen auch zur unmittelbaren Verkehrsinformation eingesetzt werden. Zusätzlich zu den obigen Aspekten sollen die Ergebnisse für EGLV eine Verdichtung von Niederschlagsinformationen und damit eine bessere Vorhersage von Abflussereignissen liefern. Hierauf aufbauend soll die Steuerung wasserwirtschaftlicher Anlagen optimiert werden. Außerdem soll eine Einbeziehung der Bevölkerung in relevante Prozesse der Wasserwirtschaft (Akzeptanz/Sensibilisierung) und eine Wechselwirkung zwischen Wasserwirtschaft, Verkehrswirtschaft und weiteren Bereichen (z.B. Energiewirtschaft) erreicht werden.
BIG hat das Ziel, mit der Kopplung von Produktionsplanung und -steuerung (PPS), Wetter-Forecasts und Gebäudeautomation den Energiebedarf von Unterstützungsprozessen produzierender Unternehmen durch bedarfsabhängige und prädiktive Steuerung zu verringern. Studien prognostizieren dabei Einsparungen bei den peripheren Energiekosten von 30-40%. Übergeordnete Ziele sind daher u.a.: - Programmierung einer modellgestützten Regelung zur vorausschauenden und bedarfsorientierten Steuerung der Gebäude- und Anlagentechnik - Entwicklung einer modellprädiktiven Regelung (MPC-Algorithmus) als Kernelement - Integration von Wetter-Forecasts und Einbeziehung wetterabhängiger Effekte unter Berücksichtigung regionaler Unterschiede der Phänomene - Herstellungunabhängige Kopplung an PPS zur flexiblen und austauschbaren Installation des Automationssystems hinsichtlich der eingesetzten Software- und Hardwarekomponenten.
Insbesondere in urbanen Bereichen können plötzlich auftretende Starkregenfälle erhebliche Schäden verursachen. Dies ist zumeist auf die großräumige Versiegelung städtischer Flächen und auf ein Versagen des Entwässerungssystems zurückzuführen. Neben den überflutungsbedingten Schäden an Gebäuden und der Infrastruktur besteht die Möglichkeit, dass bei urbanen Sturzfluten auch gefährliche Substanzen freigesetzt werden, die das Grundwasser verunreinigen können. Um Starkregenfälle und damit verbundene, kaskadierende Ereignisse zeitnah prognostizieren zu können, sind effektive Frühwarnsysteme erforderlich, die auf der Vorhersage von Niederschlag sowie auf Strömungs- und Transportszenarien basieren. Im Rahmen des Verbundprojekts EVUS ist geplant, ein derartiges Vorhersagesystem exemplarisch am Beispiel der Stadt Hannover zu entwickeln. Das Projekt gliedert sich in insgesamt sechs Teilprojekte, in deren Rahmen ein Niederschlagsvorhersagemodell sowie Strömungsmodelle für die Oberfläche, das Kanalnetz und den Untergrund entwickelt werden sollen. Mögliche Gebäudeschäden werden mit Hilfe eines Schadensmodells prognostiziert, wobei die Identifizierung besonders kritischer Gebiete einen hohen Stellenwert einnimmt. Einen weiteren Arbeitsschwerpunkt bildet die Entwicklung eines Schadstofftransportmodells, mit dem die mögliche Ausbreitung von gefährlichen Substanzen bestimmt werden kann. Neben herkömmlichen Daten (Sensoren, Wettervorhersagen) sollen insbesondere Informationen aus der Bevölkerung (sog. Crowdsourcing) eingebunden werden. Alle Modelle werden in einem Echtzeitvorhersagesystem gekoppelt und über eine webbasierte Benutzeroberfläche bereitgestellt.
| Origin | Count |
|---|---|
| Bund | 31 |
| Type | Count |
|---|---|
| Förderprogramm | 31 |
| License | Count |
|---|---|
| offen | 31 |
| Language | Count |
|---|---|
| Deutsch | 26 |
| Englisch | 12 |
| Resource type | Count |
|---|---|
| Keine | 13 |
| Webseite | 18 |
| Topic | Count |
|---|---|
| Boden | 15 |
| Lebewesen und Lebensräume | 15 |
| Luft | 25 |
| Mensch und Umwelt | 31 |
| Wasser | 14 |
| Weitere | 31 |