Automation Architecture for Demand Response on Aqueous Parts Cleaning Machines

The share of fluctuating renewable energy in the electricity grid is increasing strongly, primarily in industrialised countries. The industrial sector accounts for a large share of the total electrical energy consumption and current research shows that it is possible to adapt this energy consumption to the fluctuating renewable energy generation using demand response (DR). Especially aqueous parts cleaning machines have a high DR potential. However, only a few approaches exist that show how DR measures can be implemented on real production machines.

This work develops a method that enables the execution of DR measures on aqueous parts cleaning machines. The so-called demand response automation architecture design (DRAAD) method consists of a DR potential analysis, a DR automation architecture including a DR automation program and a DR data model, as wall as a DR control algorithm.

The DR potential analysis analyses the technical DR potential of the machine components for the DR method store energy inherently and of the cleaning process for the DR method interrupt process. The DR potential analysis uses only the machine documentation and simple calculations, such that it can be carried out by employees of the machine manufacturer.

The framework for the DR automation architecture is a cyber-physical production system. This consists of the physical aqueous parts cleaning machine, its digital twin, external elements such as the energy market and a cyber-physical interface representing the communication in the cyber-physical production system. The digital twin includes the DR automation program, the DR data model and the DR process model, which is used by the DR control algorithm, in the digital master. The digital twin also includes a digital shadow and digital services.

The object-oriented DR automation program implements sensor, actuator, and system objects as well as functions that enable the execution of the DR methods store energy inherently and interrupt process. In addition to DR functions, functional safety functions are included. The communication between DR automation program and DR control algorithm is modelled in the DR data model. This includes all data points needed for the calculation (observing) and execution (controlling) of the two DR actions.

The DR control algorithm, a model predictive control algorithm, minimises the energy cost of the aqueous parts cleaning machine based on varying energy prices. Both DR measures are implemented and the approach is scalable and transferable to diff erent aqueous parts cleaning machines.

The DRAAD method is applied and validated on the aqueous parts cleaning machine MAFAC KEA in the ETA research factory. The DR potential analysis of the machine results in a DR power potential of 87 % of the machine’s rated power for store energy inherently and a DR energy power potential of 99 % of the energy consumption of the reference cleaning process for interrupt process. In the field test, a power change of 49 % and an energy shift of 82 % can be retrieved.

Weltweit steigt der Anteil erneuerbarer Energien im Stromnetz stark an. Die Erzeugung erneuerbarer Energien schwankt, da sie vom Wetter abhängig ist. Der industrielle Sektor hat einen großen Anteil am gesamten elektrischen Energieverbrauch und aktuelle Forschung zeigt, dass es möglich ist, diesen Energieverbrauch mittels Demand Response (DR) an die schwankende erneuerbare Energieerzeugung anzupassen. Vor allem wässrige Bauteilreinigungsanlagen besitzen ein hohes DR Potential, da ihr Reinigungstank als Energiespeicher genutzt und der Reinigungsprozess unterbrochen werden kann. Allerdings existieren nur wenige Ansätze, die zeigen, wie DR Maßnahmen an realen Produktionsanlagen implementiert werden können.

In dieser Arbeit wird eine Methode entwickelt, die die Ausführung von DR Maßnahmen auf wässrigen Bauteilreinigungsanlagen ermöglicht. Die sogenannten Demand Response Automationsarchitektur Design (DRAAD) Methode umfasst eine DR Potentialanalyse, eine DR Automationsarchitektur, bestehend aus einem DR Automationsprogramm und einem DR Datenmodell, sowie einen DR Regelungsalgorithmus.

In der DR Potentialanalyse wird das technische DR Potential der Maschinenkomponenten für die DR Maßnahme Energie inhärent speichern sowie des Reinigungsprozesses für die DR Maßnahme Prozess unterbrechen ermittelt. Die DR Potentialanalyse nutzt nur die Maschinendokumentation und einfache Rechnungen, sodass eine Durchführung durch Mitarbeitende des Maschinenbauunternehmens ermöglicht wird.

Der Rahmen für die DR Automationsarchitektur ist ein cyber-physisches Produktionssystem, bestehend aus der physischen wässrigen Bauteilreinigungsanlage, ihrem digitalen Zwilling, der einen digitalen Master, digitalen Schatten und digitale Services umfasst, externen Elementen wie dem Energiemarkt sowie einem cyber-physischen Interface, dass die Kommunikation im cyber-physischen Produktionssystem repräsentiert. Der Digitale Master beinhaltet das DR Automationsprogramm, das DR Datenmodell sowie das DR Optimierungsmodell, welches durch den DR Regelungsalgorithmus genutzt wird.

Das objekt-orientierte DR Automationsprogramm enthält Sensor-, Aktor-, und Systemobjekte sowie Funktionen, die die Speicherung der Energie in Maschinenkomponenten mit einem hohen DR Potential sowie das Unterbrechen des Reinigungsprozesses ermöglichen. Neben DR Funktionen sind Funktionen für funktionale Sicherheit integriert.

Die Kommunikation zwischen DR Automationsprogramm und DR Regelungsalgorithmus wird im DR Datenmodell modelliert. Dies beinhaltet alle Datenpunkte, die für die Berechnung (beobachtend) und Ausführung (steuernd) beider DR Maßnahmen benötigt werden. Der DR Regelungsalgorithmus, ein Model Predictive Control Algorithmus, minimiert die Energiekosten der wässrigen Bauteilreinigungsanlage basierend auf variierenden Energiepreisen.

Die DRAAD Methode wird auf die wässrige Bauteilreinigungsanlage MAFAC KEA in der ETA-Fabrik angewandt und validiert. Die DR Potentialanalyse resultiert in einem Potential zur Leistungsänderung von 87 % der Anschlussleistung und einem Potential zur Verschiebung des Energieverbrauchs von 99 %. Im Feldversuch kann eine Leistungsänderung von 49 % und eine Energieverschiebung von 82 % abgerufen werden.