Digital overvågning kan spare ressourcer og minimere energitab i fjernvarmenettet

3,6 millioner danskere holder kulden fra døren med fjernvarme, og vedligeholdelsen af de 60.000 kilometer fjernvarmerør er den største udgiftspost på fjernvarmeselskabernes budgetter.

Det er baggrunden for projektet ”Fjernvarme Tilstandskontrol til Asset Management”, der har til formål at styrke overvågningen af ledningsnettet og prioritere vedligehold mere effektivt. Det skal blandt andet ske ved at kombinere sensordata og selvlærende algoritmer – Machine Learning – til at spore varmetab og lækager mere præcist, så man kan skifte defekte rør og lade de tætte ligge.

Sensordata tager temperaturen på ledningerne
”Det er kostbart at grave rør op og at udskifte dem. Så man vil gerne sætte ind, hvor gevinsten er størst samt for eksempel minimere risikoen for at grave rør op, der egentlig kunne fungere fint i mange år frem. Her håber vi, at projektet kan gøre en forskel”, siger Jakob Fester. Han er konsulent på Teknologisk Institut og leder af projektet, der for alvor vil bringe de nye digitale, fjernaflæste varmemålere i spil. 

”De mange nye målere bidrager med en masse data. Det giver værkerne værdifuld historik og konsistente datasæt på hånden, som kan bruges til at sige en hel del om stikledningernes tilstand”, forklarer han.

Men talrige faktorer gør opgaven mere kompleks end som så. For eksempel afviger tryk, fremløbstemperatur og flow en del på tværs af ledningsnettet, hvilket gør det svært at identificere afvigelser præcist. Derfor er man nødt til at arbejde målrettet med validering af data – her kommer nogle af Teknologisk Instituts kompetencer inden for metrologi og usikkerhedsanalyse i spil.

Algoritmer finder hullerne
Samtidig er datasættene så store, at de er umulige at overskue manuelt. Derfor går projektet blandt andet ud på at kombinere sensorhistorik med geografiske data om ledningsnettet, definere tolerancer og usikkerheder – og så ellers sætte de selvlærende Machine Learning-algoritmer til at trawle datasættene igennem. Hermed finder man lettere målinger, der på en eller anden måde stikker ud og som kan indikere, at noget ikke er, som det bør være.

”Det er en opgave, hvor Machine Learning kommer til sin ret. Vi får et bedre overblik over ledningsnettets tilstand og kan – baseret på resultaterne fra algoritmerne – lettere pejle os ind på, hvor vi skal montere ekstra, trådløse sensorer. Blandt andet for at kalibrere målingerne, angive varmetab og isoleringsevne for de enkelte stikledninger – samt finde lækager og varmetab”, forklarer Jakob Fester.  

I projektet gør man brug af en række særlige teknologier og værktøjer, blandt andet såkaldte ”clamp-on”-sensorer udviklet af en af projektdeltagerne – ReMoni – der spændes på ydersiden af et rør. Derfor er der ikke behov for at åbne ventiler og for at gå ind i røret, hvilket også letter arbejdet og mindsker tids- og ressourceforbrug.

Et projekt med stærke partnere 
”I sidste ende handler det om at spore og lukke lækager mere effektivt. Det sparer både penge på vedligeholdelseskontoen og mindsker energitabet, i yderste konsekvens til gavn for selskab, klima og kunder”, tilføjer Jakob Fester.

Projektgruppen består af en række parter. Ud over Teknologisk Institut deltager forsyningsselskaberne Verdo og tre mellemstore fjernvarmeforsyninger, som leverer mange af de nødvendige data – og som håber på, at projektet kan være med til at optimere det fremtidige vedligehold. Desuden bidrager Grundfos og ReMoni med knowhow og teknologi om de sensorer, der spiller en nøglerolle i arbejdet med at digitalisere overvågningen af ledningsnettet.

”Projektdeltagerne er rigtig stærke på hver deres felt og ambitionerne er ret høje. For potentielt kan vi være med til at spare mange ressourcer og mindske energispildet i betydelig grad ude hos fjernvarmeværkerne”, håber Jakob Fester.