Die Modernisierung eines industriellen Kühlsystems ist selten so einfach wie der Austausch einer einzelnen Komponente. Pumpen, Kältemaschinen, Kühltürme und Steuerungsstrategien interagieren auf eine Weise, die die Gesamtleistung des Systems maßgeblich beeinflussen kann. Eine Nachrüstung, die auf Komponentenebene vielversprechend erscheint, kann nach der Implementierung im Gesamtsystem zu ganz anderen Ergebnissen führen. Hier bietet die simulationsgestützte Optimierung eine zuverlässigere Entscheidungsgrundlage.
Durch die Kombination von Betriebsdaten, digitalen Zwillingen und szenariobasierter Simulation können Betreiber Nachrüstoptionen vor einer Investition bewerten, die technische und wirtschaftliche Leistung unter identischen Betriebsbedingungen vergleichen und die Lösungen identifizieren, die den größten langfristigen Mehrwert bieten.
Drei wichtige Erkenntnisse:
1. Entscheidungen zur Nachrüstung sollten auf Systemebene und nicht auf Komponentenebene bewertet werden.
Der Austausch einer einzelnen Komponente in einem industriellen Kühlsystem kann Betriebspunkte, Randbedingungen, Wechselwirkungen und das Regelverhalten des gesamten Systems verändern.
2. Szenariobasierte Simulation ermöglicht einen fairen Vergleich zwischen dem heutigen System und zukünftigen Konfigurationen.
Durch die Bewertung aller Nachrüstvarianten unter denselben historischen Randbedingungen können Betreiber das Ausgangssystem und die modifizierten Systeme zuverlässiger vergleichen.
3. Die beste Nachrüstoption ist nicht immer die mit der höchsten Energieeinsparung.
Eine fundierte Empfehlung muss die technische Leistung mit der wirtschaftlichen Machbarkeit in Einklang bringen, einschließlich Investitionskosten, Betriebseinsparungen, Amortisationszeit, Kapitalwert und internem Zinsfuß.
Einführung
Industrielle Kühlsysteme sind komplexe, dynamische Energiesysteme. Sie versorgen Produktionsprozesse, Maschinen, Reinräume oder Rechenzentren zuverlässig mit Kälte und müssen dabei verschiedene konkurrierende Anforderungen erfüllen: hohe Verfügbarkeit, stabile Temperaturen, niedrige Energiekosten und reduzierte CO₂-Emissionen. Gleichzeitig stehen viele Betreiber vor einer strategischen Frage: Wie lässt sich ein bestehendes Kühlsystem technisch effektiv und wirtschaftlich sinnvoll modernisieren?
Lohnt sich der Austausch einer Pumpe? Würde ein thermischer Speicher messbare Vorteile bringen? Könnte eine drehzahlgeregelte Pumpe den Energieverbrauch senken? Oder würde eine Nachrüstung zwar eine Komponente verbessern, aber unbeabsichtigt das Betriebsverhalten des gesamten Systems verschlechtern?
Genau dieser Herausforderung widmet sich die Masterarbeit Development of an Optimization Enabled Framework for Scenario-Based Simulation of Industrial Cooling Systems. Die Arbeit entwickelt einen strukturierten Ansatz zur Bewertung von Nachrüstungsoptionen in industriellen Kühlsystemen.
Der Kerngedanke ist einfach, aber wirkungsvoll: Optimierung sollte sich nicht nur auf die bestehende Systemkonfiguration konzentrieren. Sie sollte auch die Bewertung zukünftiger oder modifizierter Konfigurationen unterstützen, bevor diese umgesetzt werden.
Mit anderen Worten: Das Framework stellt die Frage: Was passiert, wenn wir X im System ändern?
Von der Intuition zu datengestützten Nachrüstungsentscheidungen
In der Praxis basieren Modernisierungsentscheidungen oft auf Erfahrungswerten, Herstellerinformationen oder isolierten Berechnungen auf Komponentenebene. Das ist zwar verständlich, reicht aber bei komplexen Kühlsystemen häufig nicht aus. Die Auswirkungen einer Nachrüstung beschränken sich selten nur auf die veränderte Komponente. So beeinflusst beispielsweise der Austausch einer Pumpe mit fester Drehzahl gegen eine drehzahlgeregelte Pumpe nicht nur deren eigenen Stromverbrauch. Er kann auch das hydraulische Verhalten, Temperaturdifferenzen, Regelstrategien, Betriebspunkte und das Zusammenspiel mit anderen Komponenten verändern. Deshalb erfordert die Bewertung von Nachrüstungen eine systemweite Betrachtung.
Die Komplexität steigt weiter, wenn mehrere Nachrüstungsoptionen zur Verfügung stehen. Betreiber müssen oft verschiedene Alternativen vergleichen, Kombinationen bewerten, technische Abhängigkeiten verstehen und die wirtschaftliche Machbarkeit prüfen. Daher ist ein strukturierter Entscheidungsprozess erforderlich, der Betriebsdaten, digitale Modelle, optimierungsgestützte Simulationen und wirtschaftliche Bewertungen miteinander verknüpft.
Die Arbeit schlägt einen wiederholbaren Arbeitsablauf vor, der Betriebsdaten in Nachrüstungsszenarien umwandelt, deren Auswirkungen durch optimierungsgestützte Simulation bewertet und die Ergebnisse in technische und wirtschaftliche Empfehlungen übersetzt.
Das Sechs-Schritte-Framework auf einen Blick
Der entwickelte Workflow folgt einer klaren Logik: Anhand von Betriebsdaten werden relevante Nachrüstszenarien identifiziert, auf Kompatibilität geprüft, Modelle angepasst und kalibriert, Simulationen unter identischen Bedingungen durchgeführt und die Ergebnisse technisch sowie wirtschaftlich bewertet.
1. Datenaufbereitung und Szenariogenerierung
Im ersten Schritt werden der Systemkontext und die Betriebsdaten aufbereitet. Relevante Merkmale und Kennzahlen werden aus historischen Daten extrahiert, wie etwa Betriebsstunden, Energieanteile der Komponenten, Lastprofile, Schwankungen der Stromtarife und das Systemverhalten unter verschiedenen Randbedingungen.
Basierend auf dieser Analyse erkennt das Framework Muster und verknüpft diese mit einer Bibliothek von Szenariovorlagen. Wenn beispielsweise eine Pumpe mit fester Drehzahl hohe Betriebsstunden und einen hohen Energieverbrauch aufweist, kann dies ein pumpenbezogenes Nachrüstszenario auslösen, wie etwa die Nachrüstung mit einem Frequenzumrichter oder den Austausch durch eine drehzahlgeregelte Pumpe.
Werden starke Schwankungen bei den Stromtarifen festgestellt, kann ein Szenario für thermische Speicher generiert werden, beispielsweise durch das Hinzufügen von 50 m³ oder 100 m³ Speicherkapazität.
Die generierten Szenarien werden anschließend bewertet und vorab priorisiert. Zu den Kriterien zählen unter anderem die erwartete Wirkung, Kosten, Datenverfügbarkeit sowie die Komplexität der Modellierung und Umsetzung. Dies hilft dabei, die vielversprechendsten Szenarien zu identifizieren, bevor die detaillierte Simulationsarbeit beginnt.
2. Synergie- und Konfliktanalyse
Im zweiten Schritt wird bewertet, ob die erstellten Szenarien kombiniert werden können. Nicht jede Sanierungsmaßnahme ist mit jeder anderen kompatibel. Manche Optionen können in Konflikt zueinander stehen, während andere Synergien erzeugen. Wieder andere sind neutral und können unabhängig voneinander bewertet werden.
Das Framework führt daher einen paarweisen Vergleich der Szenarien durch und klassifiziert die Beziehungen als Konflikt, Synergie oder neutral. Auf Basis dieser Analyse werden kompatible Szenariogruppen gebildet.
Dieser Schritt ist wichtig, da Sanierungsentscheidungen in der Praxis oft Kombinationen von Maßnahmen umfassen und nicht nur eine isolierte Intervention. Ein Pumpen-Upgrade, die Integration eines thermischen Speichers und eine angepasste Regelungsstrategie können sich gegenseitig beeinflussen und so das Endergebnis verändern.
3. Systemmodellierung und Parameterschätzung
Der dritte Schritt schafft die Modellierungsgrundlage für die Simulation. Der bestehende digitale Referenz-Zwilling bleibt erhalten und wird in eine Simulationsumgebung geklont. Dies stellt sicher, dass das ursprüngliche Basismodell unverändert bleibt und als konsistenter Maßstab für alle Szenariobewertungen dienen kann.
Bei bestehenden Komponenten werden die Parameter primär aus historischen Betriebsdaten geschätzt. Reales Messverhalten ist für eine aussagekräftige Sanierungsanalyse unerlässlich. Sollten für bestimmte Komponenten Daten fehlen, können Herstellerdatenblätter oder Referenzdatensätze die Schätzung für diese einzelne Komponente ergänzen.
Für neue Sanierungskomponenten werden in der Regel Herstellerdaten oder Referenzdatensätze verwendet.
Ein zentrales Prinzip ist, dass die Randbedingungen über alle Simulationen hinweg identisch bleiben. Lastprofile, Umgebungstemperatur, Luftfeuchtigkeit und andere äußere Einflüsse sind für alle Szenarien fixiert. Dies ermöglicht einen fairen Vergleich zwischen dem Ausgangszustand und jeder Sanierungskonfiguration.
4. Simulation der Szenariokonfigurationen
Im vierten Schritt simuliert das Framework das Basissystem sowie alle Sanierungskonfigurationen. Zunächst wird das Basismodell validiert, indem der simulierte elektrische Stromverbrauch mit dem gemessenen Stromverbrauch verglichen wird. Diese Validierung bestätigt, ob der digitale Zwilling das reale Systemverhalten mit ausreichender Genauigkeit abbildet, bevor er für die Szenariobewertung eingesetzt wird.
Nach der Validierung wird das Basissystem im Optimierungsmodus simuliert. Dies ist eine wichtige Unterscheidung: Sanierungsszenarien sollten nicht nur mit einem nicht optimierten Ist-Zustand verglichen werden. Wenn das bestehende System bereits Optimierungspotenzial aufweist, muss diese optimierte Basis berücksichtigt werden. Andernfalls könnten Einsparungen fälschlicherweise der Sanierung zugeschrieben werden, obwohl ein Teil der Verbesserung auf eine bessere Regelung zurückzuführen ist.
Jede Sanierungsvariante wird anschließend mit einer geeigneten Optimierungsstrategie simuliert. Je nach Szenario kann die Strategie den Optimierungsansatz der Basis wiederverwenden oder eine angepasste Version erfordern.
Die Ergebnisse der optimierten Basis und aller Sanierungsszenarien werden für die Nachbearbeitung und den Vergleich gespeichert.
5. Vergleich, Visualisierung und Leistungsbewertung
Der fünfte Schritt wandelt Simulationsergebnisse in technische Erkenntnisse um. Die Analyse vergleicht den gesamten elektrischen Energieverbrauch zwischen dem Basisszenario und allen Nachrüstszenarien. Zudem werden relevante Randbedingungen wie Wärmebedarf, Umgebungstemperatur und Luftfeuchtigkeit visualisiert, um zu erklären, warum bestimmte Szenarien unter spezifischen Betriebsbedingungen besser abschneiden.
Eine Analyse auf Komponentenebene hilft dabei, die Systemteile zu identifizieren, die für die Energieunterschiede zwischen den Szenarien verantwortlich sind. Dies ist wichtig, da die Gesamteinsparungen allein nicht erklären, woher die Verbesserungen stammen.
Das Framework berechnet zudem absolute und relative Leistungskennzahlen, wie Energieeinsparungen in kWh und prozentuale Einsparungen im Vergleich zum Basisszenario.
Das Ergebnis dieses Schrittes ist ein technisches Ranking aller Nachrüstszenarien. Dieses Ranking identifiziert die stärksten Kandidaten aus Sicht der Energieeffizienz und bereitet sie für die wirtschaftliche Bewertung vor.
6. Wirtschaftliche Bewertung und abschließende Empfehlung
Der letzte Schritt kombiniert die technische Leistung mit der wirtschaftlichen Machbarkeit. Relevante Eingangsgrößen sind Investitionskosten, Betriebskosten, Strompreis, Projektlaufzeit und finanzielle Annahmen. Die Bewertung kann jährliche Kosteneinsparungen, die einfache Amortisationszeit, den Kapitalwert sowie den internen Zinsfuß umfassen.
Die jährlichen Kosteneinsparungen werden auf Basis der Differenz zwischen dem Energieverbrauch des Basisszenarios und dem des jeweiligen Szenarios berechnet, multipliziert mit dem Strompreis.
Die einfache Amortisationszeit gibt an, wie viele Jahre benötigt werden, um die Investition zurückzugewinnen. Der Kapitalwert schätzt den finanziellen Gesamtnutzen über die Projektlaufzeit nach Abzinsung zukünftiger Einsparungen. Der interne Zinsfuß gibt den Diskontierungssatz an, bei dem der Kapitalwert null wird.
Das Endergebnis ist ein kombiniertes technisch-wirtschaftliches Ranking. Dies ermöglicht es Entscheidungsträgern, Abwägungen zwischen maximalen Energieeinsparungen und praktischer Umsetzbarkeit vorzunehmen.
Das energieeffizienteste Szenario ist nicht automatisch die beste Investition. Eine technisch starke Option erfordert möglicherweise hohe Investitionen oder bringt eine komplexe Umsetzung mit sich. Umgekehrt kann ein Szenario mit etwas geringeren Einsparungen attraktiver sein, wenn es niedrigere Kosten, eine schnellere Amortisation oder ein geringeres Projektrisiko aufweist.
Warum dieser Ansatz für Betreiber wichtig ist
Der Wert des Frameworks liegt in seiner Wiederholbarkeit. Anstatt Nachrüstoptionen nur einmalig und isoliert zu bewerten, können Betreiber einen strukturierten Prozess auf verschiedene Systeme, Szenarien und Datensituationen anwenden. Betriebsdaten dienen dabei nicht nur dem Verständnis der Vergangenheit, sondern bilden die Grundlage für die Bewertung zukünftiger Systemkonfigurationen.
Für Betreiber industrieller Kühlsysteme schafft dies mehr Transparenz bei der Investitionsplanung. Sie können besser nachvollziehen, welche Maßnahmen technisch vielversprechend sind, welche Kombinationen sich umsetzen lassen und welche Auswirkungen unter realistischen Betriebsbedingungen zu erwarten sind.
Der Ansatz reduziert zudem das Risiko, Investitionsentscheidungen auf Basis vereinfachter Annahmen zu treffen. Dies ist besonders relevant für Systeme mit hohen Energiekosten, dynamischen Lastprofilen, komplexen Topologien oder starken Wechselwirkungen zwischen den Komponenten.
In solchen Systemen reicht eine lineare Betrachtung auf Komponentenebene selten aus. Erst die Kombination aus digitalem Zwilling, datengestützter Kalibrierung, Szenariosimulation, Optimierung und wirtschaftlicher Bewertung zeigt, wie sich eine Nachrüstung auf das Gesamtsystem auswirkt.
Fazit: Bessere Nachrüstentscheidungen durch optimierungsgestützte Szenariosimulation
Die Masterarbeit von Bhavya Patel zeigt, wie industrielle Kühlsysteme nicht nur für die aktuelle Betriebsoptimierung, sondern auch für zukünftige Systemanpassungen bewertet werden können.
Dies geht über klassische Energieaudits oder Vergleiche auf Komponentenebene hinaus. Es bewertet Nachrüstmaßnahmen im Kontext des Gesamtsystems und macht deren technische und wirtschaftliche Auswirkungen vergleichbar.
Für Unternehmen, die ihren Energieverbrauch, ihre Betriebskosten und ihre Emissionen senken wollen, kann eine solche Methodik zu einem wichtigen Instrument der Entscheidungsunterstützung werden. Sie hilft dabei, Nachrüstinvestitionen zielgerichteter, transparenter und effektiver zu gestalten.
