Method for Data-Driven Automated Parameterization of Energy Flexibility Models of Production Systems

Implementing industrial energy flexibility is a complex challenge within complex production systems. To successfully utilize energy flexibility, it is crucial to ensure product quality, manage production schedules, and understand systemic dependencies. By adapting production processes to volatile energy prices, industrial energy flexibility makes it possible to reduce costs without compromising productivity and minimize the carbon footprint by using renewable energy efficiently. In addition, energy flexibility opens up potential revenue opportunities by trading flexibilities in future dynamic energy systems and markets. One of the most important aspects of this adaptability is the use of a standardized data model to identify and model flexibilities. However, the complexity of industrial processes and the need for extensive domain knowledge make it difficult to model all relevant production assets. This thesis presents a methodology that simplifies the modeling process for describing energy flexibility. Therefore, the aim of the thesis is to develop an automated parameterization methodology for an energy flexibility model, hypothesizing that data-driven, automatically parameterized models and machine learning techniques can be used. Using the Design Research Methodology, this thesis provides a comprehensive understanding of the current state of science and technology related to industrial energy systems, digital production, and energy flexibility modeling. The research identifies a research need in this area, formulates research questions and hypotheses, and develops the Data-Driven Energy Flexibility Modeling (DD-EFMod) method. This method is validated using a use case that confirms the feasibility of using data analytics and machine learning algorithms to parameterize energy flexibility, with batch clustering methods showing promising results. In addition, the work shows the energy and cost savings through energy-flexibility measures based on the detailed modeling of energy flexibility. The prototypical application use case at the ETA Research Factory shows that the energy-flexibility measure change processing sequence enables cost savings of 9.2%. Additional cost savings of up to 69.4% was achieved through a combination of the energy-flexibility measures change processing sequence and shift start of job within the validation of the use case.

Die Umsetzung von industrieller Energieflexibilität stellt eine komplexe Herausforderung innerhalb komplexer Produktionssysteme dar. Um die Energieflexibilität erfolgreich zu nutzen, ist es entscheidend, die Produktqualität zu gewährleisten, Produktionszeitpläne zu verwalten und systemische Abhängigkeiten zu verstehen. Durch Anpassung von Produktionsprozessen an volatile Energiepreise ermöglicht industrielle Energieflexibilität, ohne die Produktivität zu beeinträchtigen, Kosten zu senken und den CO2-Fußabdruck zu minimieren, indem erneuerbare Energien effizient genutzt werden. Darüber hinaus eröffnet Energieflexibilität potenzielle Einnahmequellen durch Handel mit Flexibilitäten in zukünftigen dynamischen Energiesystemen und -märkten. Einer der wichtigsten Aspekte dieser Anpassungsfähigkeit ist die Verwendung eines standardisierten Datenmodells zur Ermittlung und Modellierung von Flexibilitäten. Die Komplexität industrieller Prozesse und der Bedarf an umfangreichem Fachwissen machen es jedoch schwierig, alle relevanten Produktionsanlagen zu modellieren. In dieser Arbeit wird eine Methodik vorgestellt, die den Modellierungsprozess zur Beschreibung der Energieflexibilität vereinfacht. Ziel der Arbeit ist es daher, eine automatisierte Parametrisierungsmethode für ein Energieflexibilitätsmodell zu entwickeln, wobei die Hypothese aufgestellt wird, dass datengesteuerte, automatisch parametrisierte Modelle und Techniken des maschinellen Lernens verwendet werden können. Unter Verwendung der Design Research Methodology wird in dieser Arbeit ein umfassendes Verständnis des aktuellen Stands von Wissenschaft und Technologie in Bezug auf industrielle Energiesysteme, digitale Produktion und Energieflexibilitätsmodellierung vermittelt. Die Forschung identifiziert einen Forschungsbedarf in diesem Bereich, formuliert Forschungsfragen und Hypothesen und entwickelt die Methode der datengetriebenen Energieflexibilitätsmodellierung (DD-EFMod). Diese Methode wird anhand eines Anwendungsfalls validiert, der die Machbarkeit des Einsatzes von Datenanalyse und Algorithmen des maschinellen Lernens für die Parametrierung der Energieflexibilität bestätigt, wobei Batch-Clustering-Methoden vielversprechende Ergebnisse zeigen. Darüber hinaus zeigt die Arbeit die Energie- und Kosteneinsparungen durch Energieflexibilitätsmaßnahmen auf der Grundlage der detaillierten Modellierung der Energieflexibilität. Der prototypische Anwendungsfall in der ETA-Forschungsfabrik zeigt, dass die Energieflexibilitätsmaßnahme Änderung der Bearbeitungsreihenfolge Kosteneinsparungen von 9.2% ermöglicht. Durch eine Kombination der Energieflexibilitätsmaßnahmen Änderung der Bearbeitungsreihenfolge und Verschiebung des Auftragsbeginns wurden im Rahmen der Validierung des Anwendungsfalls zusätzliche Kosteneinsparungen von bis zu 69.4% erzielt.