DitigalFire: Digitalisierung von Biomassefeuerungen

Wirkungsgrad steigern durch automatisierte Verbrennungsprozesse

© Kohlbach/Fraunhofer UMSICHT

DigitalFire

Entwicklung innovativer Sensorik entlang der Prozesskette von Biomassefeuerungen.

© Fraunhofer UMSICHT

Digitale Prozessüberwachung

Auch niedrige Brennstoffqualitäten können effizient gefahren werden.

Projektziele

Biomassefeuerungsanlagen sollen effizienter und damit wirtschaftlicher gestaltet werden – und zwar mit Hilfe der Digitalisierung. Durch eine digitale Prozessüberwachung können in Biomassefeuerungen künftig auch wechselnde Brennstoffqualitäten bei bestmöglicher Effizienz gefahren werden. Die Steuerungs- und Regelungstechnik wird hierzu mit digitalen Modulen von der Brennstofflagerung über die Brennstoffzuführung bis hin zum Verbrennungsraum kombiniert und im Einsatz getestet.

Nutzen

Bisher gibt es derartige Technologien – vor allem aus Kostengründen – nur in großen Biomasseheizkraftwerken oder Müllverbrennungsanlagen. DigitalFire adressiert erstmalig auch Feuerungen in kleineren Leistungsklassen (Kesselanlagen bzw. kleinere Biomassekraftwerke von 100 kW bis zu 20 MW Feuerungswärmeleistung).

Die meisten Verbrennungssysteme können zwar Brennstoffe niedrigerer Qualität wie etwa Waldrestholz oder biogene Reststoffe (z. B. Bio- und Grünabfälle, Erntereste oder Stroh) verarbeiten. An der Feuerung müssen die einzelnen Parameter (z. B. Brennstoffzufuhr oder Belüftung) jedoch manuell eingestellt werden. Nur so kann ein stabiler Verbrennungsprozess mit hoher Ausbrandqualität von Feststoff und Gasphase und somit bestmöglichem Wirkungsgrad erreicht werden. Die Einstellung ist aufwändig und erfordert viel Erfahrung bzw. ist teilweise nur begrenzt möglich; Fehler führen zu höheren Emissionen und im schlimmsten Fall zu höherem Verschleiß mit Wartungsfolgen und Ausfallzeiten. Eine durchgängige digitale Prozessüberwachung der Steuerungs- und Regelungstechnik hingegen ermöglicht jederzeit eine ökonomisch und ökologisch bestmögliche Verbrennung.

Ergebnis

Im Testbetrieb werden zunächst Daten zu Heizwert, Brennstoffzusammensetzung und -qualität, Rosttemperatur sowie Anlagenzustand gesammelt. Die Auswertung erfolgt mithilfe von Machine Learning bzw. künstlichen neuronalen Netzen und ist Basis für die automatisierte Einstellung der optimalen Feuerungsparameter für den jeweiligen Brennstoff. Auch weitere Anzeigemöglichkeiten und Warnungen vor kritischen Anlagenzuständen werden zu diesem Zeitpunkt konfiguriert. Ein benutzerfreundliches Frontend – u. a. für mobile Endgeräte – soll im Rahmen des Projekts entwickelt werden und die entsprechenden Informationen jederzeit zur Verfügung stellen.

Projektpartner

  • BFAutomation GmbH & Co. KG

Förderung
Laufzeit: September 2019 bis August 2022
Webseite: www.bmel.de