Data-Driven Modelling of a Fixed Bed Regenerator using Machine Learning in Tensor

Die zunehmende Digitalisierung wirkt sich auf unser t agliches Leben aus und f uhrt zu einer sich ver andernden Arbeitswelt und Gesellschaft. Die Anwendungsbereiche von Digitalisierungsmethoden sind breit und nicht immer direkt ersichtlich. Diese Arbeit stellt einen konkreten Anwendungsfall dar, wie Digitalisierung im Energiesektor einsetzt werden kann. Als Anwendungsfall dient ein Festbettregenerator, ein sensibler thermischer Energiespeicher. Auf der einen Seite wird ein datengetriebenes Modell des Energiespeichers mithilfe von maschinellem Lernen in Tensor ow erstellt. Auf der anderen Seite wird gezeigt, wie die Bereitstellung eines maschinellen Lernmodells in die Produktion funktioniert, sowie eine Einf uhrung in das Referenzarchitekturmodell RAMI-4.0 gegeben, das die Implementierung von Industrie 4.0 Methoden beschreibt. Um ein datengetriebenes Modell zu erstellen, das die Lade- und Entladezyklen des Festbettregenerators vorhersagt, wird die Modellierungstechnik\ Long Short-Term Memory\ (LSTM) verwendet, eine Art von k unstlich neuronalem Netzwerk. Insgesamt werden drei verschiedene LSTM-Modelle des Energiespeichers erstellt. Die LSTM-Modelle folgen zwar dem Haupttrend in den Daten, sagen jedoch den Verlauf der wahren Kurven mit erheblichen Abweichungen voraus. M oglicherweise sind mehr Daten und andere datengetriebene Modellierungsans atze erforderlich, um genauere Vorhersagen zu erzielen. The increasing digitalization in uences our daily lifes and leads to a changing working world and society. The application areas of digital technologies are wide and not always directly evident. This thesis gives an example, how digitalization technologies can be applied in the energy sector. As a use case, a xed bed regenerator, a sensible thermal energy storage, is used. On the one hand, a data-driven model of the storage is built by using Machine Learning in Tensor ow. On the other hand it is explained how the deployment of a Machine Learning model into production works, as well is an introduction to the reference architecture model RAMI-4.0 given, which describes the implementation of industry 4.0 methods. In order to create a data-driven model that predicts the loading and unloading cycles of the xed bed regenerator, the modelling technique \Long Short-Term Memory\ (LSTM), a kind of Arti cial Neural Network is used. In total, three di erent LSTM models of the storage are built. Although the LSTM models manage to follow the main trend in the data, they predict the course of the true curves with considerable deviations. More data and di erent data-driven modelling approaches might be required to achieve more accurate predictions.