Optimal design of power-to-x processes

  • Optimales Design von Power-to-X-Prozessen

Burre, Jannik; Mitsos, Alexander (Thesis advisor); Martin, Mariano Martin (Thesis advisor)

Aachen : RWTH Aachen University (2022)
Buch, Doktorarbeit

In: Aachener Verfahrenstechnik series AVT.SVT - Process systems engineering 25
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2022

Kurzfassung

Der zunehmende Anteil erneuerbarer Energiequellen im Stromnetz führt zu Abregelungen, die die volle Ausschöpfung des ökologischen und wirtschaftlichen Potenzials von erneuerbarem Strom verhindern. Power-to-X-Prozesse können diesen Strom für die Herstellung von Produkten nutzen, die sonst aus fossilen Quellen erzeugt würden. Für einen größtmöglichen Nutzen müssen diese Prozesse allerdings hinsichtlich maximaler Ressourceneffizienz optimiert sein. Der alleinige Austausch von Rohstoffen ist in der Regel nicht zielführend. Daher entwickeln wir zur Identifizierung und zum Design nachhaltiger Prozesskonzepte optimierungsbasierte Methoden, die wir auf die Herstellung von Dimethoxymethan (DMM oder OME1) - ein vielversprechender synthetischer Kraftstoff und Zwischenprodukt für die Herstellung von längerkettigen Oxymethylenethern (OME3-5)—anwenden. Um die etablierten Prozesskonzepte zur DMM- und OME3-5-Produktion analysieren zu können, implementieren wir detaillierte Prozessmodelle. Mit diesen zeigen wir, dass selbst unter Berücksichtigung einer maximal möglichen Wärmeintegration diese Prozesse deutlich ineffizienter sind als die zur Produktion von anderen synthetischen Kraftstoffen. Für eine effiziente Produktion von DMM müssen also grundlegend neue Prozesse entwickelt werden. Power-to-X-Prozesse befinden sich in der Regel auf einem unterschiedlichen Entwicklungsstand. Um einen fairen Vergleich und optimales Prozessdesign zu ermöglichen, entwickeln wir ein Framework, das optimierungsbasierte Methoden auf verschiedenen Hierarchieebenen einbezieht. Das Framework ermöglicht eine systematische Prozessentwicklung und -bewertung hinsichtlich drei Indikatoren: Produktionskosten, Exergieeffizienz und CO2-Fußabdruck. Bei dessen Anwendung auf fünf Reaktionswege für die DMM-Produktion haben wir die direkte CO2-Reduktion als am nachhaltigsten identifizieren können. Für eine erfolgreiche industrielle Umsetzung sind detaillierte Prozessmodelle erforderlich. Da die hohe Komplexität solcher Modelle oft Schwierigkeiten für die deterministische Optimierung mit sich bringt, entwickeln wir für die reduktive DMM-Produktion ein hybrides Prozessmodell bestehend aus Gaußschen Prozessen und künstlichen neuronalen Netzen. Zur Lösung des nichtkonvexen Optimierungsproblems verwenden wir eine reduced-space-Formulierung und ein Hybrid aus der McCormick- und der auxiliary variable-Methode, die in unserem deterministischen globalen Solver MAiNGO implementiert sind. Da die Entwicklung von Power-to-X-Prozessen oft diskrete Entscheidungen enthält, analysieren wir Problemformulierungen bzgl. ihrer Eignung für die globale Superstrukturoptimierung und wenden die vielversprechendste auf die Optimierung der reduktiven DMMProduktion an. Für gemischt-ganzzahlige nichtlineare Probleme, die nichtkonvexe Funktionen enthalten, konnten wir diejenigen Formulierungen als vielversprechend identifizieren, die die Anzahl der Optimierungsvariablen reduzieren. Obwohl diese nicht-konvexe Terme mit sich bringen, bleiben die Relaxierungen für unsere Beispiele vergleichsweise eng. Um allgemeingültige Aussagen ableiten zu können, wäre allerdings deren Anwendung auf eine große Bibliothek von Benchmark-Problemen unterschiedlicher Komplexität notwendig. Die Anwendung von optimierungsbasierten Methoden auf die DMM-Produktion hat großes Potenzial aufgezeigt. Es wurde aber auch Verbesserungspotenzial identifiziert—sowohl bzgl. der Methoden als auch der Produktion von DMM als Power-to-X-Prozess.

Einrichtungen

  • Lehrstuhl für Systemverfahrenstechnik [416710]

Identifikationsnummern

Downloads