Machine Learning optimerer drift med eksisterende data

I december 2020 idriftsatte Ringsted Forsyning en 10 MW ammoniak-baseret varmepumpe som siden har leveret fjernvarme til selskabets 4.000 kunder.

Men i de koldeste vinterperioder – når temperaturen kommer under cirka 5 grader celsius – rimer varmepumpens fordampningsanlæg til og skal derfor afrimes for igen at kunne fungere optimalt.

Det er varmepumpen selv, der skal afrime fordampningsanlægget, når det begynder at fryse til. Det sker ved at der bliver sendt opvarmet ammoniak gennem fordampningsanlægget for at fjerne rim og is.

- Når varmepumpen skal bruge energi på afrimning, falder effektiviteten i varmepumpen, så den leverer mindre varme og altså bliver mindre effektiv i sin varmeproduktion. Vi har også oplevet driftsstop, hvor det har taget et halvt til et helt døgn, før varmepumpen var oppe at køre igen, og hvor vi så måtte køre mere med vores andre anlæg, selv om vi helst ville have kørt med varmepumpen, siger Steen Ulrik Hansen, driftsmester hos Ringsted Forsyning.

Afrimningen foregår i en fast cyklus, hvor bestemte dele af fordampningsanlæg afrimes i en bestemt rækkefølge og i et bestemt tidsrum. Men erfaringerne viser, at den indbyggede styring i nogle tilfælde sætter afrimningen i gang for tidligt eller for sent.

- Når afrimningen går i gang for tidligt, bliver der brugt unødig energi, og når den går i gang for sent, oplever vi, at anlægget er meget svært at afrime, og at der kan opstå produktionsstop, siger Steen Ulrik Hansen.

På baggrund af disse erfaringer kom Ringsted Forsyning med i MLEEP-projektet – Machine Learning til Energi- og Procesoptimering – i 2023. Projektets formål var med nye Machine Learning-modeller at udnytte eksisterende data på en mere intelligent måde for at optimere drift og energiforbrug.

- Vi så hos Ringsted Forsyning og de andre virksomheder i projektet, at der allerede er masser af data rådighed – de bliver bare ikke brugt. Den gode nyhed er så, at det er relativt nemt og uden store omkostninger at begynde at bruge disse data til driftsoptimeringer ved at anvende Machine Learning, siger Nicklas Høgh Iversen, teamleder hos Viegand Maagøe, som har udviklet de nye Machine Learning-modeller.

Ændre afrimningssekvens

Machine Learning-løsningen fra Viegand Maagøe har to funktioner:

Den kan forudsige, når der kommer problemer med tilisning af fordampningsanlægget. Systemet kan kigge 15-20 timer frem, så man kan planlægge en korrigerende handling i god tid og undgå at afrime enten for tidligt eller for sent. Denne evne til at forudsige behovet for afrimning bygger på historiske data fra hvordan varmepumpen har fungeret under forskellige temperatur-, vejr- og driftsforhold.

ML-modellen kan desuden overtage styringen af afrimningen af fordampningsanlægget. I stedet for at køre en fast forudbestemt cyklus, kan den nye løsning identificere hvor der er mest brug for afrimning.

- Vores løsning kan ændre sekvensen for afrimningen, herunder rækkefølgen af hvilke flader der skal afrimes og hvor længe de skal afrimes. Så man bruger energien, hvor det giver mest mening. Man undgår en alt for aggressiv afrimning, bruger ikke mere energi end nødvendigt og undgår produktionsstop, siger Nicklas Høgh Iversen.

Som led i MLEEP-projektet kunne man konstatere, at driften af varmepumpen er forbedret som følge af en mere intelligent afrimning af fordampningsanlægget.

- Vi har oplevet, at afrimningen med hjælp af Machine Learning blev igangsat mere rettidig – så der ikke bruges mere energi end højst nødvendigt, og at vi undgår driftstop. Målet er selvfølgelig at varmepumpen primært bruger energi på at producere varme, så vi holder en høj COP på anlægget og ikke skal køre mere med andre anlæg for at kompensere for varmepumpen. Problemerne med tilisning sker jo typisk i perioder, hvor der er størst behov for fjernvarme, siger Steen Ulrik Hansen.

195 målepunkter

På baggrund af resultaterne fra MLEEP-projektet har Ringsted Forsyning nu besluttet at investere i en opgraderet version af det PLC-baserede Machine Learning-værktøj fra Viegand Maagøe, hvor der anvendes op til 195 målepunkter i processer og anlæg.

- Den nye løsning understøtter vores nuværende automatiserede produktionsstyring. Derudover har projektet gjort os opmærksom på, at vi måske kan have glæde af Machine Learning i andre processer og anlæg, siger Steen Ulrik Hansen.

Et af de spørgsmål, man skal tage stilling til, når man anvender Machine Learning, er netop i hvor høj grad algoritmerne skal have lov at overtage styringen af de berørte anlæg.

- Man kan grundlæggende vælge mellem to modeller – en fuld automatisering eller en rådgivende model, hvor en menneskelige operatør tager den endelige beslutning ud fra nogle anbefalinger. I Ringsteds tilfælde understøtter vores løsning, at de fortsat ønsker en automatiseret løsning, da værket kører ubemandet størstedelen af døgnet. Ellers kunne man risikere, at afrimningen ikke blev igangsat rettidigt, hvis man skulle vente på, at driftspersonalet møder ind, siger Nicklas Høgh Iversen, som dog tilføjer at den automatiske løsning endnu ikke har været afprøvet i praksis. Det skal nu afprøves med den videreudviklede version af ML-værktøjet.

Ny hybridløsning

MLEEP-projektet har også afprøvet en ny hybridløsning, hvor man kombinerer historiske vejr- og driftsdata med særlig domæneviden om de pågældende anlæg og processer.

- Hybridløsningen muliggør, at ML-værktøjet kan lave endnu bedre beregninger baseret på data om de pågældende anlæg, deres kapacitet, dimensioner og andre tekniske specifikationer, siger Nicklas Høgh Iversen.

Viegand Maagøe estimerer den forventede årlige besparelse på afrimningen hos Ringsted Forsyning til cirka 250.000 kr.

- Vi ser generelt meget korte tilbagebetalingstider, når virksomheder investerer i Machine Learning. I industrien er det nogle steder under et år. Men typisk 1-2 års tilbagebetaling. De korte tilbagebetalingstider skyldes dels at man ikke skal investere ret meget i ML-løsningen, dels at man på forhånd har identificeret processer, hvor der er et stort optimeringspotentiale. Problemerne med afrimning er en kendt problemstilling i branchen, og vi vurderer at der er et stort potentiale for optimeringer på værker med disse typer anlæg. Men potentialerne er så store, at vi arbejder med Machine Learning på tværs af både industri-og forsyningssektoren med god succes, siger Nicklas Høgh Iversen.

Trods gevinsterne mødes Machine Learning også med skepsis på nogle virksomheder.

- Man skal ikke undervurdere den menneskelige faktor, når man prøver at automatisere manuelle processer. Så kan man møde stor modstand blandt medarbejderne. Der skal bare være en fejlprocent på 1, så bliver Machine Learning dømt ude. Så at erstatte nogle menneskelige opgaver med Machine Learning er ikke altid så simpelt, men kræver at man kan håndtere forandringsledelse. Men i sidste ende er argumentet, at det handler om at maksimere værdien af viden, man allerede har, siger Nicklas Høgh Iversen.