Production Process Modeling for Demand Side Management

Abstract:

The supply of electricity is growing increasingly dependent on the weather as the share of renewable energies increases. Different measures can nevertheless maintain grid reliability and quality. These include the use of storage technologies, upgrades of the grid and options for responsiveness to supply and demand. This paper focuses on demand side management and the use of flexibility in production processes. First, the framework of Germany’s energy policy is presented and direct and indirect incentives for businesses to seek as well as to provide flexibility capabilities are highlighted. Converting this framework into a mixed integer program leads to multi-objective optimization. The challenge inherent to this method is realistically mapping the different objectives that affect business practices directly and indirectly in a variety of laws. An example is introduced to demonstrate the complexity of the model and examine the energy flexibility. Second, manufacturing companies’ energy efficiency is assessed under the frequently occurring conditions of heavily aggregated energy consumption data and of information with insufficient depth of detail to perform certain analyses, formulate actions or optimize processes. The findings obtained from the energy assessment and energy consumption projections are used to model the production system’s energy efficiency and thus facilitate optimization. Methods of data mining and machine learning are employed to project energy consumption. Aggregated energy consumption data and different production and environmental parameters are used to assess indirectly measured consumers and link projections of energy consumption with the production schedule.

• Periodical: Applied Mechanics and Materials (Volume 871)
• Pages: 77-86
• DOI: https://doi.org/10.4028/www.scientific.net/AMM.871.77
• Online since: October 2017
• Authors: Stefanie Kabelitz*, Sergii Kolomiichuk
• Keywords: Artificial Neural Network, Data Mining, Electricity Market Design, Energy Consumption, Energy Flexibility

References

[1] Bundesministerium für Wirtschaft und Energie, Gesetzeskarte für das Energieversorgungssystem.

[2] E. Müller, J. Engelmann, T. Löffler, J. Strauch, Energieeffiziente Fabriken planen und betreiben, Springer Berlin Heidelberg, Berlin, Heidelberg, (2009).

DOI: 10.1007/978-3-540-89644-9_4

[3] G. Hoogsteen, A. Molderink, J.L. Hurink, G.J. Smit, F. Schuring, B.K. Liandon, Impact of peak electricity demand in distribution grids: A stress test, in: 2015 IEEE Eindhoven PowerTech, p.1–6.

DOI: 10.1109/ptc.2015.7232412

[4] BDEW Bundesverband der Energie- und Wasserwirtschaft e.V., Redispatch in Deutschland: Auswertung der Transparenzdaten (2016).

[5] Bundesministeriums der Justiz und für Verbraucherschutz, Erneuerbare-Energien-Gesetz vom 21. Juli 2014 (BGBl. I S. 1066), das zuletzt durch Artikel 2 des Gesetzes vom 22. Dezember 2016 (BGBl. I S. 3106) geändert worden ist: EEG (2017).

DOI: 10.1515/9783110900392

[6] Information on https: /www. netztransparenz. de/EEG/EEG-Umlage.

[7] S. Lehmann, Industriestrompreise: Ausnahmeregelungen bei Energiepreisbestandteilen, (2015).

[8] Bundesministerium für Wirtschaft und Technologie, Ein Strommarkt für die Energiewende (Grünbuch).

[9] Bundesministerium für Wirtschaft und Energie, Ein Strommarkt für die Energiewende: Ergebnispapier des Bundesministeriums für Wirtschaft und Energie (Weißbuch) (2015).

DOI: 10.5771/9783748907138-263

[10] Wissenschaftliche Dienste Deutscher Bundestag, Ausarbeitung. Rechtliche Voraussetzungen für Pilotprojekte zum Grundeinkommen. (2016).

[11] L. März (Ed. ), Simulation und Optimierung in Produktion und Logistik: Praxisorientierter Leitfaden mit Fallbeispielen, Springer, Berlin, Heidelberg, (2011).

[12] Michael Schenk, Siegfried Wirth, Egon Müller, Fabrikplanung und Fabrikbetrieb, Springer-Verlag, Berlin/Heidelberg, (2004).

[13] G. Reinhart, M. Graßl, S. Datzmann, Methode zur Bewertung der Energieflexibilität, wt Werkstattstechnik online (2014) 313–319.

DOI: 10.37544/1436-4980-2014-5-313

[14] M. Graßl, Bewertung der Energieflexibilität in der Produktion. Zugl.: München, Techn. Univ., Diss., 2015, Utz, München, (2015).

[15] S. Kabelitz, U. Streckfuß, Energieflexibilität in der Produktionstheorie: Ein analytischer Identifikationsansatz, ZWF (2014) 43–45.

DOI: 10.3139/104.111082

[16] S. Kabelitz, U. Streckfuß, Identifikation energierelevanter Flexibilitätsdimensionen von Fertigungssystemen, ZWF 109 (2014) 900–903.

DOI: 10.3139/104.111260

[17] K. Erlach (Ed. ), Energiewertstrom: Der Weg zur energieeffizienten Fabrik, Fraunhofer-Verl., Stuttgart, (2009).

[18] M. Lörcher (Ed. ), Mit der Pinch-Technologie Prozesse und Anlagen optimieren: Eine Methode des betrieblichen Energie- und Stoffstrommanagements, first. Aufl., LfU, Karlsruhe, (2004).

[19] C. Brecher, W. Boos, W. Klein, K. Kuhlmann, J. Triebs, Ressourceneffizienzbewertung einer Werkzeugmaschine zur Steigerung ihrer Wirtschaftlichkeit, in: ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, 2009, p.711–715.

DOI: 10.3139/104.110151

[20] W. Boos, K. Kuhlmann, Bewertung der Ressourceneffizienz von Werkzeugmaschinen, in: wt Werkstattstechnik online, fifth ed., Springer-VDI-Verlag GmbH & Co. KG, Düsseldorf, 2010, p.350–353.

DOI: 10.37544/1436-4980-2010-5-350

[21] M. Weskamp, M. Sauer, F. Zwißler, Nachhaltigkeit in der Produktion – eine komplexe Aufgabe, in: Productivity Management, GITO mbH Verlag, 2013, p.25–27.

[22] R. Neugebauer (Ed. ), Handbuch ressourcenorientierte Produktion, Hanser, München, Wien, (2014).

[23] B. Schieferdecker, C. Fuenfgeld, A. Bonneschky, Energiemanagement-Tools: Anwendung im Industrieunternehmen, Springer, Berlin, (2006).

DOI: 10.1007/3-540-29481-3_2

[24] C. Schmid, Energieeffizienz in Unternehmen: Eine wissensbasierte Analyse von Einflussfaktoren und Instrumenten, Vdf, Hochsch. -Verl. an der ETH, Zürich, (2004).

[25] H. Seidel, S. Kolomiichuk, Energieträgerübergreifende Modellierung in der Produktion und Logistik - Cross-Energy-Model (CEM), in: H.E. Zsifkovits, S. Altendorfer-Kaiser (Eds. ), Management logistischer Informationsflüsse: 3. Wissenschaftlicher Industrielogistik-Dialog in Leoben (WiLD), Hampp, München, Mering, 2015, p.57.

[26] M. Schenk (Ed. ), Produktion und Logistik mit Zukunft: Digital Engineering and Operation, Springer Berlin Heidelberg, Berlin, Heidelberg, (2015).

[27] R. Gunther, G. Florian, K. Florian, W. Markus, Handlungsfelder zur Realisierung energieeffizienter Produktionsplanung und –steuerung., in: ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, 2011, p.596–601.

DOI: 10.3139/104.110620

[28] R. Neugebauer, M. Putz, A. Schlegel, T. Langer, E. Franz, S. Lorenz, Energy-Sensitive Production Control in Mixed Model Manufacturing Processes, in: D.A. Dornfeld, B.S. Linke (Eds. ), Leveraging technology for a sustainable world: Proceedings of the 19th CIRP Conference on Life Cycle Engineering, University of California at Berkeley, Berkeley, USA, May 23-25, 2012, Springer, Heidelberg, New York, 2012, p.399.

DOI: 10.1007/978-3-642-29069-5

[29] R. Neugebauer, Untersuchung zur Energieeffizienz in der Produktion: Abschlussbericht, FhG; Technische Informationsbibliothek u. Universitätsbibliothek, München, Hannover, (2008).

[30] S. Thiede, Energy efficiency in manufacturing systems, Springer, Berlin, New York, (2012).

[31] C. Herrmann, S. Thiede, A. Zein, S. Ihlenfeldt, P. Blau, Energy Efficiency of Machine Tools: Extending the Perspective, in: Proceedings of the 42nd CIRP International Conference on Manufacturing Systems: Proceedings of the 42nd CIRP International Conference on Manufacturing Systems, June 3 - 5, 2009 Grenoble, France, 2009, Grenoble, France, (2009).

DOI: 10.1016/j.cirpj.2009.06.005

[32] M. Ester, J. Sander, Knowledge Discovery in Databases: Techniken und Anwendungen, Springer Berlin Heidelberg, Berlin, Heidelberg, (2000).

[33] U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, From Data Mining to to Knowledge Discovery in Databases, in: AI Magazine, seventeenth(third), 1996, p.37–54.

[34] N. Bissantz, J. Hagedorn, Data Mining (Datenmustererkennung)., in: Wirtschaftsinformatik, thirty-fifth (fifth), 1993, p.481–487.

[35] M.R. Berthold, C. Borgelt, F. Höppner, F. Klawonn, Guide to intelligent data analysis: How to intelligently make sense of real data, Springer, London, (2010).

DOI: 10.1007/978-3-030-45574-3

[36] B. Küppers, Data Mining in der Praxis: Ein Ansatz zur Nutzung der Potentiale von Data Mining im betrieblichen Umfeld. Zugl.: Graz, Techn. Univ., Diss., 1998, Lang, Frankfurt am Main, (1999).

[37] A. Silberschatz, A. Tuzhilin, On Subjective Measures of Interestingness in Knowledge Discovery, in: 1st International Conference on Knowledge Discovery and Data: Proceedings of the 1st International Conference on Knowledge Discovery and Data, Montreal 20-21 August 1195, Montreal, 1995, p.275.

DOI: 10.1002/widm.1063

[38] B. Knobloch, Der Data-Mining-Ansatz zur Analyse betriebswirtschaftlicher Daten, Otto-Friedrich-Univ, Bamberg, (2000).

[39] G. Linoff, M.J.A. Berry, Data mining techniques: For marketing, sales, and customer relationship management, thirdrd ed., Wiley, Indianapolis, Ind., (2011).

[40] Belen'kij. V.M., V.G. Spiridonov, Sravnenie metodov statisticheskogo analiza sravnenie metodov statisticheskogo analiza informacii pri upravlenii bezopasnost'ju truda na proizvodstvennyh ob"ektah, in: Tehnologii XXI veka v legkoj promyshlennosti, seventh ed., (2013).