Latentwärmespeicher (LTES) können die Integration erneuerbarer Energiequellen durch
thermische Lastverschiebung unterstützen. Die nichtlinearen thermischen Eigenschaften des
Speichermediums verhindern jedoch die direkte Messung der gespeicherten Energie mit
konventionellen Methoden. In dieser Studie wird eine kosteneffiziente, datengetriebene Methode
zur Schätzung des Ladezustands (SoC) von LTES für die Anwendung in Warmwassersystemen
entwickelt und bewertet, die ausschliesslich auf Temperaturmessungen basiert. Kontrollierte
Laborexperimente wurden durchgeführt, um Daten während wiederholter Lade- und Entladezyklen
einer Speichereinheit unter unterschiedlichen Bedingungen zu erfassen. Die Entwicklung des SoC
wurde über eine Energiebilanz berechnet. Nichtlineare autoregressive Modelle mit exogenen
Eingängen wurden entwickelt, um die berechneten Werte basierend auf Temperaturmessungen an
den Ein- und Auslässen sowie im Wärmetauscher zu replizieren. Die trainierten Modelle, die
rekurrente neuronale Netzwerke mit 10 bis 40 versteckten Neuronen nutzen, zeigten
vielversprechende Ergebnisse. Die beste Version erzielte eine RMSE von weniger als 0,35 kWh
sowohl bei Trainings- als auch bei Testdaten. Angesichts des typischen SoC-Bereichs von 2–11
kWh, der in den Experimenten beobachtet wurde, hat sich die vorgeschlagene Schätzmethode als
ausreichend genau erwiesen, um das effektive Energiemanagement in Gebäuden zu unterstützen.
State of charge estimation in heat exahanger-type latent thermal energy storage for residential domestic hot water application
Beschreibung
Latentwärmespeicher (LTES) können die Integration erneuerbarer Energiequellen durch
thermische Lastverschiebung unterstützen. Die nichtlinearen thermischen Eigenschaften des
Speichermediums verhindern jedoch die direkte Messung der gespeicherten Energie mit
konventionellen Methoden. In dieser Studie wird eine kosteneffiziente, datengetriebene Methode
zur Schätzung des Ladezustands (SoC) von LTES für die Anwendung in Warmwassersystemen
entwickelt und bewertet, die ausschliesslich auf Temperaturmessungen basiert. Kontrollierte
Laborexperimente wurden durchgeführt, um Daten während wiederholter Lade- und Entladezyklen
einer Speichereinheit unter unterschiedlichen Bedingungen zu erfassen. Die Entwicklung des SoC
wurde über eine Energiebilanz berechnet. Nichtlineare autoregressive Modelle mit exogenen
Eingängen wurden entwickelt, um die berechneten Werte basierend auf Temperaturmessungen an
den Ein- und Auslässen sowie im Wärmetauscher zu replizieren. Die trainierten Modelle, die
rekurrente neuronale Netzwerke mit 10 bis 40 versteckten Neuronen nutzen, zeigten
vielversprechende Ergebnisse. Die beste Version erzielte eine RMSE von weniger als 0,35 kWh
sowohl bei Trainings- als auch bei Testdaten. Angesichts des typischen SoC-Bereichs von 2–11
kWh, der in den Experimenten beobachtet wurde, hat sich die vorgeschlagene Schätzmethode als
ausreichend genau erwiesen, um das effektive Energiemanagement in Gebäuden zu unterstützen.