Betriebsparameter-Optimierung in Biogasanlagen
Biogasanlagen stellen mit ihrem CO2-neutralem Strom einen wesentlichen Eckpfeiler in der Energiewende dar. Durch die Anlagen ist es möglich landwirtschaftliche Abfälle, wie Grünschnitt oder Tiermist, in einem anaeroben Prozess in Biogas umzuwandeln. Die Effizienz der Umsetzung wird dabei durch die Vorgänge im Gärbehälter bestimmt, in dem anaerobe Bakterien über biochemische Katalyse die Ausgangssubstrate zum Wertprodukt Methan vergären.
Der Prozess ist dabei abhängig von einer Vielzahl an Einflussfaktoren, die entweder technischer oder biologischer Natur sind. In der Regel sind die biologischen Parameter, wie bspw. Wachstumsraten der Bakterien oder Bindungskonstanten der Substrate nur indirekt beeinflussbar, da diese genetisch prädestiniert sind. Technische Parameter hingegen, wie die Substrateinstromrate (Dilutionsrate), die Temperatur oder pH-Werte lassen sich durch den Betreiber einstellen. Mit diesen Stellgrößen lässt sich der Prozess auf einen möglichst hohen Substratumsatz hin optimieren.
Eine rationale Optimierung bedingt eine modellhafte Beschreibung der zugrundeliegenden Phänomene. So wird der Prozess möglichst detailgetreu in einem Modell abgebildet. Die einzelnen Schritte der Substratvergärung sind schematisch in Abbildung 1 dargestellt. In dem Modell werden diese Schritte genutzt und mathematisch nachgebildet.
Mithilfe des Modells lassen sich Limitationen im Prozess aufdecken und Verfahren entwickeln diese zu umgehen. Weiterhin werden die technischen Parameter optimiert und Handlungsempfehlungen zur verbesserten Betriebsweise abgeleitet. Eine entscheidende Größe für die Methanausbeute stellt in diesem Zusammenhang die Produktivität dar. Sie ist eine Funktion der Bakterienanzahl im Gleichgewicht und der Dilutionsrate. Über numerische Optimierungsverfahren lassen sich ideale Betriebspunkte finden, an denen die Produktivität ein Maximum erreicht. Ein Beispiel dafür ist in Abbildung 2 gezeigt.
Einen weiteren Forschungsschwerpunkt stellt die Anwendung der gefundenen Modelle in Reglern dar. Dabei wird eine modellprädiktive Regelung genutzt, die in der Lage ist in Echtzeit die technischen Einflussgrößen so zu variieren, dass langfristig höhere Produktausbeuten realisierbar sind.