[Zurück]

S. Müllner:
"Grey Box Modeling of a Packed Bed Regenerator";
Betreuer/in(nen): R. Hofmann, V. Halmschlager; Faculty of Mechanical and Industrial Engineering, 2021; Abschlussprüfung: 19.07.2021.

Beim Übergang von fossilen Brennstoffen zu erneuerbaren Energien werden Energiespeicherlösungen benötigt, um zeitliche Unterschiede zwischen Energieerzeugung und -verbrauch zu überbrücken. Um Energiespeichersysteme effizient zu implementieren, werden genaue Modelle von ihnen benötigt. Diese Arbeit befasst sich mit der Erstellung eines Grey-BoxModells eines Festbettregenerators, ein sensibles thermisches Energiespeichersystem. Ein mechanistischer Grey-Box-Modellierungsansatz wird verwendet um Vorkenntnisse (White Box) und Daten (Black Box) des Festbettregenerators zu kombinieren. Die Modellgleichungen werden aus Vorkenntnissen abgeleitet und Parameter dieser Gleichungen werden unter Verwendung von Daten optimiert. Um den Modellfehler zu reduzieren, werden verschiedene Modelle mit unterschiedlichen Parametern und Gleichungen erstellt und miteinander verglichen. Das endgültige Modell, das das genaueste ist, wird mit einem bereits vorhandenen White-Box-Modell und einem bereits vorhandenen, hauptsächlich datengetriebenen neuronalen Netzwerk verglichen.

Das endgültige Grey-Box-Modell sagt das Verhalten des Festbettregenerators für einen großen Bereich an Eingangswerten akkurat voraus und ermöglicht Einblicke in die Temperaturverteilung des Festbettregenerators. Darüber hinaus ist es rechnerisch effizient und erlaubt eine schnelle Anpassung an betriebliche und materielle Änderungen, wenn Daten verfügbar sind.

In the transition from fossil fuels to renewable energy, energy storage solutions are needed to bridge time differences of energy production and consumption. To efficiently implement energy storage systems, accurate models thereof are needed. This thesis deals with the creation of a grey box model of a packed bed regenerator, a sensible thermal energy storage system. A mechanistic grey box modeling approach is used which combines prior knowledge (white box) and data (black box) of the packed bed regenerator. The model equations are derived from prior knowledge and parameters of these equations are optimized using data. To reduce the model error, different models with varying parameters and equations are created and compared with each other.

The final model, being the most accurate one, is compared to an already existing white box model and an already existing mainly data-driven neural network model. The final grey box model accurately predicts the behaviour of the packed bed regenerator for a wide variety of inputs and enables for insights into the temperature distribution of the packed bed regenerator. Further, it is computationally efficient and allows for fast adaption to operational and material changes when data is available.

grey-box modeling; physical modeling; data-driven modeling; packed-bed regenerator; sensible thermal energy storage

https://publik.tuwien.ac.at/files/publik_296669.pdf