Economic MPC Optimierung — Kostenoptimale Echtzeitregelung für Energie, Gebäude und Prozessindustrie

Warum das relevant ist (Zusammenfassung für Entscheider)

Ein Nachführungsregler folgt einem Sollwert. Dieser Sollwert kodiert die wirtschaftlichen Ziele — jedoch nur für die Betriebsbedingungen, unter denen er berechnet wurde. Bei großen Störungen, beim Betrieb nahe an Grenzen, wenn der Prozess sich nie einschwingt, wenn sich Preise schneller ändern als der Real-Time Optimization (RTO)-Zyklus, oder wenn mehrere Betriebsregimes kostspielige Übergänge verursachen — verliert der Sollwert seine Gültigkeit, und der Regler betreibt die Anlage unwirtschaftlich, ohne dass ein Korrekturmechanismus greift.

Economic Model Predictive Control (EMPC) schließt diese Lücke, indem das wirtschaftliche Ziel direkt in den Regler eingebettet wird. Störungsausregelung und wirtschaftliche Optimierung werden zu einem einzigen geschlossenen Regelkreis. Veröffentlichte Ergebnisse: über 17 % Reduktion des Primärenergiebedarfs in Gebäuden, kraftstoffminimale Gewächshausklimatisierung, preisarbitragebasierter Dispatch für ein 1-MW-Batteriespeichersystem sowie verbesserte Leistungsausbeute bei gleichzeitig reduzierten Strukturlasten an Windturbinen.

Wann RTO + Tracking-MPC unzureichend ist und EMPC zum Einsatz kommt: Ungeplante Störungen oder Modellabweichungen machen den RTO-Sollwert oder die DRTO-Trajektorie ungültig — RTO optimiert stationäre Sollwerte, Dynamic RTO (DRTO) erweitert dies auf geplante transiente Trajektorien, keines von beiden verfügt jedoch über Rückkopplung auf wirtschaftlicher Ebene, um ungeplante Störungen in Echtzeit zu kompensieren; häufige Wechsel zwischen Betriebsregimes verursachen Verluste an den Übergängen; der optimale Betrieb ist periodisch statt eines festen stationären Zustands; RTO und MPC verwenden unterschiedliche Modelle, sodass berechnete Sollwerte unerreichbar sind; wirtschaftliche Signale ändern sich schneller als der RTO-Aktualisierungsrhythmus; Störungen sind so persistent, dass der Prozess nie einen stationären Zustand erreicht. Wenn keine dieser Bedingungen zutrifft, ist ein gut abgestimmtes RTO + Tracking-MPC die einfachere und ausreichende Wahl.

Das Entwurfsmuster erklärt

Ein klassischer Nachführungsregler — Proportional-Integral-Derivativ (PID), Linear Quadratic Gaussian (LQG), H∞ oder Standard-Tracking Model Predictive Control (MPC) — folgt einem Sollwert. Dieser Sollwert ist der Ausdruck wirtschaftlicher Anlagenbetriebsziele, übersetzt in einen Zielwert, dem der Regler im geschlossenen Kreis nachfahren kann.

In einfachen Fällen legt ein Bediener das Ziel direkt fest. Wenn die Beziehung zwischen Sollwert und wirtschaftlichen Zielen komplexer wird — durch Mehrgrößenwechselwirkungen, Systemdynamik oder zeitvariante Betriebsbedingungen — können die Sollwerte oder vollständige Referenztrajektorien offline aus einem optimalen Steuerproblem (OCP) oder online durch eine über dem Regler liegende Optimierungsschicht berechnet werden. Zwei Varianten existieren: Real-Time Optimization (RTO) berechnet wirtschaftlich optimale stationäre Sollwerte unter der Annahme, dass der Prozess sich im oder nahe am stationären Zustand befindet; Dynamic Real-Time Optimization (DRTO) erweitert dies auf geplante transiente Trajektorien — Produktwechsel, Chargenphasenübergänge, geplante Hochfahrvorgänge — bei denen der dynamische Pfad zwischen Betriebspunkten wirtschaftlich relevant ist. Beide halten die Sollwert- oder Trajektorienberechnung von der nachführenden Rückkopplungsregelung getrennt: Aufgabe des Reglers ist es, Störungen auszuregeln und Modellierungsfehler zu kompensieren, indem er die Anlage auf den empfangenen Sollwert oder die Trajektorie zubewegt.

Die Einschränkung zeigt sich, wenn große Störungen, Betrieb nahe an Grenzen oder erhebliche Modellierungsfehler dazu führen, dass die Regelaktion selbst die wirtschaftlichen Ziele des Anlagenbetriebs negativ beeinflusst — beispielsweise indem der Betriebspunkt während der Störungsausregelung oder bei Grenzwertsättigung kontinuierlich vom Kostenoptimum weggeführt wird. In dieser Situation arbeitet der Nachführungsregler korrekt (Minimierung der Sollwertabweichung), während die Anlage unwirtschaftlich betrieben wird, weil der RTO-Sollwert oder die DRTO-Trajektorie für Nennbedingungen berechnet wurde — RTO und DRTO können geplante Übergänge handhaben, aber sobald eine ungeplante Störung das System vom Nominalpfad ablenkt, verfügt keines von beiden über Rückkopplung auf wirtschaftlicher Ebene zur Echtzeitneuoptimierung.

Economic MPC (EMPC) löst dieses Problem, indem die Regelaktion direkt auf die wirtschaftliche Zielfunktion angewendet wird. Anstatt einem Sollwert zu folgen, optimiert der Regler die wirtschaftliche Kostenfunktion im geschlossenen Kreis und behandelt dabei Störungen und Modellierungsfehler, während er gleichzeitig einen kostenoptimalen Betrieb entlang der gesamten dynamischen Trajektorie aufrechthält — einschließlich Übergängen und Störungsausregelung, in denen die geschichtete Architektur ihre Gültigkeit verliert.

Ein zweiter, eigenständiger Anwendungsfall ergibt sich, wenn die Anlage in mehreren Regimes betrieben wird, die jeweils von einem separaten, für dieses Regime optimierten Nachführungsregler bedient werden. Die Umschaltzonen zwischen Reglern sind Bereiche schlechter wirtschaftlicher Leistung: Kein Regler ist für den Übergang ausgelegt, die Regelautorität kann nahe der Umschaltgrenze eingeschränkt sein, und das System kann im Übergangsbereich schwingen oder verweilen. Wenn Regimewechsel häufig auftreten — wie bei einer Windturbine, die je nach Windgeschwindigkeit zwischen Teillastbetrieb (maximale Leistungsausbeute, Generatordrehmomentregelung) und Volllastbetrieb (Nennleistung, Blattwinkelregelung) wechselt — sind die akkumulierten wirtschaftlichen Verluste in den Umschaltzonen erheblich. Ein einziger Economic Nonlinear MPC (NMPC), der alle regimespezifischen Nachführungsregler ersetzt, bewältigt diese Übergänge auf natürliche Weise: Die wirtschaftliche Zielfunktion und die vollständige nichtlineare Dynamik werden einmalig kodiert, der Optimierer findet die global optimale Trajektorie über alle Betriebsregimes, und das Umschalten selbst wird Teil der Optimierung statt einer Lücke zwischen Reglern.

Eine dritte strukturelle Schwäche des geschichteten RTO + Tracking-MPC ist die Modellinkonsistenz. RTO verwendet typischerweise ein vereinfachtes stationäres Modell; der Tracking-MPC verwendet ein separates dynamisches Modell — unterschiedliche Strukturen, Parameter und Zeitskalen. Wenn RTO mit seinem Modell einen optimalen Sollwert berechnet, kann das vom MPC verwendete dynamische Modell vorhersagen, dass dieser Sollwert unerreichbar ist oder das System bei einem leicht anderen Betriebspunkt einschwingt. Das Ergebnis: Das vom RTO berechnete wirtschaftliche Optimum wird in der Praxis nie tatsächlich erreicht, weil die beiden Schichten bezüglich unterschiedlicher Modelle optimieren. EMPC verwendet ein einziges dynamisches Modell und eliminiert diese Inkonsistenz konstruktionsbedingt.

Ein fünfter Fall entsteht, wenn wirtschaftliche Randbedingungen — Strompreise, Rohstoffkosten, Nachfragesignale, CO₂-Tarife — sich auf einer Zeitskala ändern, die kürzer als der RTO-Aktualisierungszyklus ist. RTO wird typischerweise alle paar Minuten bis Stunden ausgeführt; Echtzeit-Strommärkte und Demand-Response-Signale können sich alle 15 Minuten oder schneller ändern. Ein zu Beginn eines Preisintervalls berechneter Sollwert ist am Ende desselben bereits suboptimal. EMPC integriert Preis- und Nachfrageprognosen direkt in den Prädiktionshorizont und reoptimiert bei jedem Regelschritt, sodass die Betriebstrajektorie kontinuierlich an die aktuellen wirtschaftlichen Signale angepasst wird.

Schließlich erfordert die Stationaritätsannahme von RTO, dass der Prozess tatsächlich einen stationären Zustand erreicht und dort verbleibt. Wenn Störungen persistent oder häufig sind — kontinuierliche Schwankungen der Einsatzstoffzusammensetzung, wetterbedingte Wärmelasten, fluktuierende Netzbedingungen, variable Eingangsqualität — schwingt der Prozess nie ein, und jede RTO-Aktualisierung wird für einen Zustand berechnet, den das System bereits verlassen hat. EMPC behandelt den Störungsstrom als kontinuierlichen Eingang zur dynamischen Optimierung: Es gibt keine Stationaritätsanforderung, und der Regler bleibt wirtschaftlich valide, unabhängig davon, wie häufig sich die Betriebsbedingungen ändern.

Die Architektur umfasst typischerweise: (1) ein dynamisches Prozessmodell, das Energie-/Impuls-/Massenbilanzen abbildet, (2) zeitvariante wirtschaftliche Parameter als Eingangsgrößen (Preise, Prognosen, Nachfrage), (3) harte Nebenbedingungen für Sicherheit, Qualität und Stellgliedgrenzen sowie (4) längere Prädiktionshorizonte (Stunden bis Tage), um die relevanten wirtschaftlichen Dynamiken zu erfassen.

Wirtschaftliche Zielfunktionen — eine umfassende Übersicht: Der vollständige Raum wirtschaftlicher Ziele für die Prozessregelung umfasst:

• Energie- und Brennstoffkosten: Strompreis × verbrauchte kWh; Erdgaspreis × verbrauchte Nm³; Fernwärmetarif; Dampfkosten pro Tonne.
• Durchsatz und Produktionswert: Erlös pro produzierter Einheit; Wert der Chargenzykluszeit; Prämie für Kapazitätsauslastung.
• Rohstoff- und Einsatzstoffkosten: Reagenzienpreis × Verbrauch; Kosten durch Ausbeuteverluste (Wert von Ausschussprodukt).
• Bauteilver­schleiß und Wartungskosten: Straf­term für Stellgliedzyklen; Ermüdungslebensdauerverbrauchsrate; Lager-/Dichtungsdegradationskosten; Verschleißindex für Pumpen/Kompressoren.
• Emissionen und Umweltkosten: CO₂-Preis × CO₂-Intensität; NOₓ-/SOₓ-Minderungskosten; Abwasserbehandlungskosten.
• Leistungsspitzennachfrage: Spitzenlastabrechnung (€/kW/Monat); Rampenratenstrafe des Netzbetreibers.
• Energiespeicherarbitrage und Netzdienstleistungen: Kauf-Tief-/Verkauf-Hoch-Preisdifferenz; Erlöse aus Primärregelreserve; Kapazitätsmarkterlöse.
• Batterie- und Anlagendegradation: Zyklusalterungskosten (€/Zyklus); Kalenderalterungskosten bei gegebenem State-of-Charge (SOC) und Temperatur; Katalysatordeaktivierungsrate.
• Qualitäts- und Komfortprämie: Preisdifferential für höherspezifiziertes Produkt; Kosten der Verletzung thermischer Komfortanforderungen; Ertragsvielfalt bei Pflanzenbauqualität.
• Wasser- und Versorgungsverbrauch: Kühlwasserkosten; Druckluftkosten pro Nm³; entionisiertes Wasserkosten.
• Personal- und Betriebsgemeinkosten: Kosten für Bedienereingriffe; Effizienz der Schichtplanung.
• Risiko und Zuverlässigkeit: erwartete Stillstandskosten; Kosten der Sicherheitsmargennutzung; Reduzierung von Versicherungsprämien.

In der Praxis ist die gewählte Zielfunktion eine gewichtete Kombination der für die Prozessökonomik relevantesten Terme — die Gewichtung übersetzt betriebliche Prioritäten in eine mathematische Kostenfunktion, und der optimale Kompromiss zwischen den konkurrierenden Zielen wird berechnet.

Anwendungen & Referenzimplementierungen

Anwendung 1: Windturbinenregelung — Economic NMPC am NREL-5-MW-Benchmark

Ein Economic Nonlinear MPC (NMPC) wurde von einem von IAV GmbH geführten Konsortium aus Industrie- und Akademiepartnern entwickelt und auf die NREL-5-MW-Referenzwindturbine (National Renewable Energy Laboratory) angewendet — eine Arbeit, die sich anschließend zu IAV Larus weiterentwickelte, einem kommerziellen Lidar-basierten Blattwinkelregelprodukt für Windturbinen. IAV bezeichnete dieses Regelkonzept intern als Realtime Supervisory Control (RSC) / Echtzeit Betriebsführung (EBF). Ein konventionelles Windturbinenregelungssystem arbeitet in zwei unterschiedlichen Regimes — Teillast (unterhalb der Nennwindgeschwindigkeit: maximale Leistungsausbeute über Generatordrehmomentregelung) und Volllast (oberhalb der Nennwindgeschwindigkeit: Leistungsbegrenzung über Blattwinkelregelung) — die jeweils von einem separaten Nachführungsregler bedient werden. Die Übergangszone zwischen diesen Regimes ist ein Bereich schlechter wirtschaftlicher Leistung: Sowohl die Leistungsausbeute als auch das Strukturlastmanagement sind suboptimal, während das System zwischen den Reglern wechselt. Der NMPC ersetzt beide regimespezifischen Regler durch eine einzige wirtschaftliche Kostenfunktion, die direkt drei konkurrierende Ziele gegeneinander abwägt: Leistungsausbeute, strukturelle Ermüdungslast (Turmbiegeschwingungen) und Stellgliedverschleiß (Blattwinkelnutzungsrate) — ohne separaten Sollwertgenerator oder Regime-Umschaltlogik. Closed-Loop-Simulationsbenchmarks zeigten besseres Generatordrehzahlnachführverhalten, sanftere Blattwinkelnutzung, verbesserte Leistungsausbeute und reduzierte Turmschwingungen — mit erhöhten Leistungsschwankungen als Kompromiss. Dr. Noga war IAV-Mitarbeiter und hat zu diesem Projekt beigetragen. ¹

Anwendung 2: LHC-Kryotechnik — Economic NMPC für superfluides Helium bei 2 K

Ein ausgangsgekoppelter Economic NMPC wurde auf den kryogenen Kreislauf für superfluides Helium des Large Hadron Collider (LHC) am CERN (European Organization for Nuclear Research) angewendet. Das System arbeitet bei einem Sollwert von 1,9 K. Das Überschreiten von 2,1 K löst den Interlock aus und de-energetisiert die Magnete; oberhalb von 2,16 K wechselt superfluides Helium in normales Fluid und verursacht einen Quench. Die Margen sind harte Nebenbedingungen, keine weichen Zielwerte. Der kryogene Kreislauf ist ein stark gekoppeltes Mehrgrößensystem mit nichtlinearer thermohydraulischer Dynamik: Ventildurchflusskennlinien, Wärmeaustausch und Phasenverhalten von Helium sind alle nichtlinear, und die Regeleingriffe interagieren über gemeinsame thermische Masse. Das System ist außerdem räumlich verteilt — geregelt wird die Maximaltemperatur über einen 214 m langen Sektor, nicht ein einzelner Punkt. Die räumliche Lage dieses Maximums verschiebt sich dynamisch in Abhängigkeit von Wärmelasten und Strömungsbedingungen, was einen festen Sollwert-Nachführungsansatz ungeeignet macht: Die Economic-NMPC-Formulierung ist genau deshalb notwendig, weil die zu begrenzende Größe (das räumliche Maximum) selbst eine dynamische, zustandsabhängige Funktion des Systems ist. Die bestehenden Proportional-Integral (PI)-Regler, die unabhängig für jede Regelschleife eingestellt wurden, konnten die Nichtlinearitäten, Zwischen­schleifen-Kopplungen und das dynamisch verschiebende räumliche Maximum nicht gleichzeitig handhaben. Um Grenzwertverletzungen zu vermeiden, mussten sie so stark verstimmt werden, dass die Regelaktion sehr langsam wurde — schlechte Störungsausregelung als Preis der Betriebssicherheit.

Der NMPC verwendete ein auf ersten Prinzipien basierendes thermohydraulisches Modell, kombiniert mit einem Luenberger-Beobachter und Moving Horizon Estimation (MHE) zur Zustandsrekonstruktion, wobei die nichtlinearen Kopplungen in jedem Optimierungszyklus explizit berücksichtigt wurden. Das Ergebnis war übermenschlich: Der NMPC stabilisierte die Badtemperatur nach derselben Störung etwa 10-mal schneller als das bestehende PI-System, ohne die harte Nebenbedingung von 2,1 K während der Ausregelung je zu verletzen. Zwei Konfigurationen wurden getestet — zwei Regelventile allein sowie Ventile kombiniert mit 12 elektrischen Heizgeräten — beide übertrafen die PI-Regelung deutlich. Rechenzeiten von etwa 1 s für die Schätzung und 7–14 s pro Optimierungszyklus liegen weit innerhalb der langsamen thermischen Zeitkonstanten des kryogenen Kreislaufs. Der NMPC verblieb als Machbarkeitsnachweis und ging nicht in die Produktion über: Nachfolgende Änderungen am mechanischen Aufbau des kryogenen Kreislaufs und zusätzliche Systeme zur Begrenzung der Störungsamplitude machten die langsame PI-Reaktion für den Betrieb akzeptabel und eliminierten so den unmittelbaren wirtschaftlichen Anreiz für eine Inbetriebnahme. Dr. Noga hat zu dieser Arbeit während seiner Promotion als CERN-Mitarbeiter beigetragen. ²

Anwendung 3: Schweizer Bürogebäude — MPC erreicht 17 % Energiereduktion (OptiControl-II)

Das ETH-Zürich-Projekt OptiControl-II — durchgeführt in Zusammenarbeit mit Siemens Building Technologies als Forschungspartner — implementierte Economic MPC für ein vollständig belegtes Schweizer Bürogebäude, das thermisch aktivierte Gebäudesysteme (TABS), Lüftungsanlagen (AHU) und Jalousien über eine siebenmonatige Feldeinsatzphase regelt. Die wirtschaftliche Zielfunktion minimiert explizit den nicht-erneuerbaren Primärenergiebedarf (NRPE), gewichtet mit zeitvarianten Stromtarifen. Ergebnisse: etwa 17 % NRPE-Reduktion, was rund 21,6 MWh/Jahr pro Etage entspricht, bei durchgehend verbesserter Einhaltung der Komfortanforderungen. Siemens war Forschungspartner im Projekt und hat diese Fähigkeiten seither in kommerzielle Gebäudeprodukte (Building X Energy Manager, Climatix C600) integriert, die als „Smart Optimization” vermarktet werden. Das Muster selbst — Economic MPC mit thermischer Masse als Speicherpuffer und zeitvarianten Energiepreisen als wirtschaftlichem Treiber — überträgt sich direkt auf industrielle Versorgungssysteme: Druckluft, Kältemittel, Dampf- und Prozesswärmenetze, wo dieselbe Preisarbitrage- und Lastverschiebungslogik in größerem Maßstab mit höherem wirtschaftlichem Einsatz gilt. ³

Anwendung 4: Kommerzielles Gewächshaus — Infinite-Horizon Economic MPC minimiert Heizkosten

Forscher der Wageningen University & Research (WUR) implementierten einen Infinite-Horizon Economic MPC für ein kommerzielles Glasgewächshaus mit dem expliziten wirtschaftlichen Ziel, Erdgasheizkosten zu minimieren und dabei Indoor-Klimabedingungen für das Pflanzenwachstum aufrechtzuerhalten. Der EMPC nutzt eine realistische Mehrtages-Wetter- und Gaspreisprognose, um die thermische Masse des Gewächshauses in Niedrigpreisphasen vorzuheizen und die Heizung in Hochpreisphasen zu reduzieren. Im Vergleich zu einem konventionellen Sollwertregler demonstrierte der EMPC messbare Reduktionen des Heizenergieverbrauchs bei Einhaltung aller Pflanzenklimanebenbedingungen (Temperaturgrenzen, Luftfeuchtigkeit). Der Gewächshausfall ist ein sauberes Beispiel für Economic MPC, weil der Prädiktionshorizont (Stunden bis Tage), der wirtschaftliche Treiber (Gaspreis × Heizenergie) und die weichen Nebenbedingungen (Klimagrenzen für die Pflanzenbiologie) alle explizit in der Kostenfunktion kodiert sind. Die spezifische WUR-Forschung wurde nicht als benanntes Produkt kommerzialisiert; niederländische Gewächshaus-Regelungsanbieter wie Priva und Argus bieten Klimacomputersysteme mit Optimierungsfunktionen an, und MPC dringt branchenweit zunehmend in deren Produktlinien ein. ⁴

Anwendung 5: Batterieenergiespeicher — Economic MPC für Preisarbitrage und Netzdienstleistungen

Die ETH Zürich implementierte MPC-basierten Dispatch für ein reales 1-MW-/0,56-MWh-Batterieenergiespeichersystem (BESS), das im Schweizer Stromnetz betrieben wird und auf Strompreisarbitrage sowie Primärfrequenzregelung abzielt. Der Economic MPC optimierte Lade-/Entladefahrpläne gegenüber zeitvarianten Spotpreisen und Frequenzabweichungssignalen unter Einhaltung harter Nebenbedingungen für State-of-Charge (SOC)-Grenzen, Lade-/Entladeraten und thermische Grenzen der Leistungselektronik. Die Studie quantifizierte erreichbare Erlöse über mehrere Netzdienstleistungsmodi und identifizierte die Betriebsstrategie, die Batteriedegradationsnebenbedingungen berücksichtigt — direkt auf das wirtschaftliche Ziel des BESS-Betreibers ausgerichtet. Diese Anwendung wurde vollständig kommerzialisiert: Das Zürcher BESS wurde von EKZ (dem Stromversorger des Kantons Zürich) als lebendige Netzinfrastruktur betrieben, mit dem MPC-Dispatch im Produktionsbetrieb. Das Muster ist seither Industriestandard geworden — 66 % der gesamten US-amerikanischen utility-scale Batteriekapazität umfasste Arbitrage 2024 unter ihren Anwendungen, und kommerzielle BESS-Optimierungssoftware (PLEXOS, PCI Energy Solutions, Energy Exemplar) implementiert genau diese Logik in großem Maßstab. ⁵

Was das für Ihren Betrieb bedeutet

Economic MPC liefert die größten Erträge, wenn eine oder mehrere der folgenden Bedingungen zutreffen: (1) Große Störungen, Betrieb nahe an Grenzen oder Modellabweichungen verursachen wirtschaftlich kostspielige Transienten, die RTO nicht korrigieren kann; (2) Die Anlage wechselt häufig zwischen Betriebsregimes, die jeweils eigene Regler haben, mit schlechter Wirtschaftlichkeit in den Übergangszonen; (3) Der optimale Betrieb ist zyklisch statt eines festen stationären Zustands; (4) RTO und MPC verwenden unterschiedliche Modelle, sodass berechnete Sollwerte unerreichbar sind; (5) Wirtschaftliche Signale wie Energiepreise oder Nachfrage ändern sich schneller als der RTO-Aktualisierungszyklus; (6) Störungen sind so persistent oder häufig, dass der Prozess den stationären Zustand, den RTO voraussetzt, nie erreicht. Wenn keine dieser Bedingungen zutrifft, ist ein gut abgestimmtes RTO + Tracking-MPC wahrscheinlich ausreichend und einfacher in Betrieb zu nehmen.

Übliche Voraussetzungen: Eine funktionierende Basisregelschicht (stabiler Basis-PID/MPC), eine bereits vorhandene RTO- oder äquivalente Sollwertstrategie, messbare wirtschaftliche Treiber (Energiezähler, Produktionszähler), ein dynamisches Prozessmodell sowie Zugang zu Prognosedaten (Wetter, Preise, Nachfrage), wenn die Wirtschaftlichkeit zeitvariant ist.

Wie wir liefern (Engagement-Modell)

• Phase 0: Non-Disclosure Agreement (NDA) + Datenanfrage — Bereitstellung von Prozessdaten, Energierechnungen, Regelungsarchitektur und aktueller Betriebsstrategie.
• Phase 1: Discovery mit festem Umfang (2–4 Wochen) — Quantifizierung der wirtschaftlichen Ausgangslage, dynamische Modellidentifikation, Nebenbedingungsmapping und Machbarkeits-/Return on Investment (ROI)-Schätzung für Economic MPC.
• Phase 2: Implementierung + Validierung + Inbetriebnahme — Entwicklung des Economic MPC, Simulationsvalidierung anhand historischer Daten, Online-Inbetriebnahme mit Bedieneraufsicht.
• Phase 3: Monitoring + Schulung + Skalierung — Leistungsdashboards zur Verfolgung wirtschaftlicher Key Performance Indicators (KPIs), Bedienerschulung zur wirtschaftlichen Zielfunktion sowie Ausweitung auf weitere Einheiten oder Standorte.

Typische KPIs zur Verfolgung

• Energieeffizienz: kWh/produzierte Einheit, nicht-erneuerbarer Primärenergieverbrauch, spezifische Energiekosten
• Erlöse / Einsparungen: Arbitrageerlöse (€/MWh), Heizkostenreduktion (€/m²/Jahr), Reduktion der Leistungsspitzenkosten
• Qualität/Komfort: Temperaturschwankungen, Komfort-Compliance-Stunden, Einfluss auf Ernteerträge
• Belastung der Bediener: Manuelle Eingriffe pro Schicht, Zeit für Sollwertanpassungen
• Einhaltung von Nebenbedingungen: SOC-Grenzwertverletzungen, Stellgliedsättigungshäufigkeit, Sicherheitsnebenbedingungs-Marge

Risiken & Voraussetzungen

• Modellkomplexität: Economic MPC erfordert häufig längere Prädiktionshorizonte und detailliertere Modelle als Tracking-MPC, was Rechenkosten und Inbetriebnahmeaufwand erhöht.
• Integration wirtschaftlicher Daten: Zeitvariante Preise, Prognosen und Nachfragesignale müssen zuverlässig in den Regler eingespeist werden — die Qualität der Datenpipeline ist entscheidend.
• Vertrauen der Bediener: Bediener, die feste Sollwerte gewohnt sind, könnten einem Regler widerstehen, der den Betriebspunkt verschiebt; Schulungen und transparente Dashboards sind unerlässlich.
• Ausgangslagebestimmung: Ohne eine klare Energie-/Kostenausgangslage ist es unmöglich, den ROI nachzuweisen — investieren Sie in Messungen vor der Optimierung.
• Basisregelung muss zuerst funktionieren: Economic MPC liegt auf einer stabilen Basisschicht auf; wenn PID-Regelkreise schlecht eingestellt oder Sensoren unzuverlässig sind, müssen diese zuerst behoben werden.

FAQ

F: Wie unterscheidet sich Economic MPC von Real-Time Optimization (RTO) und Dynamic RTO (DRTO)? A: RTO berechnet wirtschaftlich optimale stationäre Sollwerte und übergibt diese an eine Nachführungsschicht — es wird vorausgesetzt, dass der Prozess sich im oder nahe am stationären Zustand befindet. DRTO erweitert dies auf geplante transiente Trajektorien: Es kann den dynamischen Pfad durch einen Produktwechsel, einen Chargenphasenübergang oder einen geplanten Hochfahrvorgang optimieren. Beide funktionieren gut unter Nennbedingungen. Die gemeinsame Einschränkung ist das Fehlen von Rückkopplung auf wirtschaftlicher Ebene: Sobald eine ungeplante Störung den Prozess vom nominalen Sollwert oder der Trajektorie abbringt, können weder RTO noch DRTO in Echtzeit reoptimieren — der Nachführungsregler verfolgt weiterhin ein veraltetes Ziel, während die Anlage unwirtschaftlich betrieben wird. EMPC löst dieses Problem, indem das wirtschaftliche Ziel direkt in den Regler eingebettet wird, sodass Störungsausregelung und wirtschaftliche Optimierung zu einem einzigen geschlossenen Regelkreis werden, der unabhängig von ungeplanten Störungen gültig bleibt.

F: Welche Energieeinsparungen können wir realistischerweise erwarten? A: Veröffentlichte Ergebnisse reichen von etwa 17 % NRPE-Reduktion in Gebäuden bis zu messbaren Heizkosteneinsparungen in Gewächshäusern und Arbitrageerlösen in der Energiespeicherung. Tatsächliche Einsparungen hängen von der aktuellen Ausgangslage, der Prozessdynamik und dem Ausmaß zeitvarianter wirtschaftlicher Treiber ab. Ein Phase-1-Discovery-Engagement quantifiziert das realistische Potenzial für Ihr spezifisches System.

F: Erfordert Economic MPC ein vollständiges Prozessmodell? A: Das Modell muss die dominanten Energie-/Materialdynamiken und die wichtigsten wirtschaftlichen Treiber abbilden. Es muss nicht jedes physikalische Detail modellieren. In der Praxis liefert eine Kombination aus einer auf ersten Prinzipien basierenden Struktur und datengesteuerter Parameteridentifikation Modelle, die für die wirtschaftliche Optimierung innerhalb von 4–8 Wochen Inbetriebnahmeaufwand ausreichen.

F: Kann Economic MPC mit unserer bestehenden Regelungsinfrastruktur (DCS/PLC) zusammenarbeiten? A: Ja. Economic MPC läuft typischerweise als übergeordnete Schicht, die Sollwerte oder Trajektorien an bestehende Regelkreise sendet. Die Integration erfordert eine OPC (OLE for Process Control)- oder ähnliche Datenschnittstelle zum Distributed Control System (DCS) oder Programmable Logic Controller (PLC), keinen Austausch des Regelungssystems.

F: Kann Economic MPC einen periodischen Betriebszyklus finden, der wirtschaftlich günstiger ist als ein fester Sollwert? A: Ja — und dies ist eine Fähigkeit, die RTO + Tracking-MPC strukturell nicht erreichen kann. RTO ist darauf ausgelegt, einen optimalen stationären Betriebspunkt zu finden und diesen an einen Nachführungsregler zu übergeben. Wenn die wirtschaftlich optimale Strategie kein stationärer Zustand, sondern ein sich wiederholender Zyklus ist — periodische Beschickung, Temperaturzyklen, Druckwechsel — wird RTO ihn nie finden, da es nur den Raum der stationären Zustände durchsucht. EMPCs Zielfunktion hat keine Anforderung zur Konvergenz auf einen stationären Zustand: Der Optimierer findet und hält eine periodische Umlaufbahn aufrecht, wenn diese kostengünstiger ist. Dies wurde für Druckwechseladsorption, Bioreaktor-Fed-Batch-Betrieb und zyklische katalytische Prozesse demonstriert.

F: Unser RTO und MPC verwenden unterschiedliche Modelle. Verursacht das Probleme? A: Ja — dies ist eine gut dokumentierte strukturelle Schwäche geschichteter Architekturen. RTO verwendet typischerweise ein vereinfachtes stationäres Modell aus Geschwindigkeitsgründen; MPC verwendet ein separates dynamisches Modell für die Trajektorienverfolgung. Wenn die beiden Modelle nicht übereinstimmen, ist der vom RTO als optimal berechnete Sollwert gemäß dem dynamischen Modell nicht erreichbar: Der MPC schwingt bei einem leicht anderen Betriebspunkt ein, und das wirtschaftliche Optimum wird nie tatsächlich erreicht. EMPC verwendet ein einziges dynamisches Modell sowohl für wirtschaftliche Optimierung als auch für die Regelung, wodurch diese Inkonsistenz konstruktionsbedingt eliminiert wird und sichergestellt ist, dass das, was der Optimierer plant, vom Regler auch ausgeführt wird.

F: Unsere Energiepreise und Nachfragesignale ändern sich alle 15 Minuten. Kann RTO mithalten? A: In der Regel nicht in diesem Rhythmus. RTO wird üblicherweise alle paar Minuten bis Stunden ausgeführt und nimmt an, dass die wirtschaftlichen Bedingungen über sein Aktualisierungsintervall näherungsweise konstant sind. Wenn Preise, Leistungsspitzennachfrage oder Netzsignale in einem 15-Minuten- oder kürzeren Zyklus wechseln — wie in Echtzeit-Strommärkten und Demand-Response-Programmen — ist der Sollwert des vorherigen RTO-Laufs bereits suboptimal, bevor die nächste Aktualisierung eintrifft. EMPC integriert Preis- und Nachfrageprognosen direkt in den Prädiktionshorizont und reoptimiert bei jedem Regelschritt (Sekunden bis Minuten), sodass die Betriebstrajektorie kontinuierlich an die aktuellen wirtschaftlichen Signale angepasst wird, ohne auf den nächsten RTO-Zyklus warten zu müssen.

F: Unser Prozess erreicht nie wirklich den stationären Zustand — Störungen sind konstant. Ist RTO noch gültig? A: Nein — RTOs Stationaritätsannahme erfordert, dass der Prozess tatsächlich nahe dem berechneten Sollwert einschwingt. Wenn Störungen persistent oder häufig sind — kontinuierliche Schwankungen der Einsatzstoffzusammensetzung, fluktuierende Umgebungsbedingungen, variable Netzlast — befindet sich der Prozess immer in einem transienten Zustand, und der RTO-Sollwert wird immer für Bedingungen berechnet, die die Anlage bereits verlassen hat. EMPC behandelt den Störungsstrom als kontinuierlichen Eingang zur dynamischen Optimierung: Es gibt keine Stationaritätsanforderung, und der Regler bleibt wirtschaftlich valide, unabhängig von der Störungsfrequenz. Dies macht EMPC zur natürlichen Wahl für Prozesse, die von Wetter, Märkten oder variabler Einsatzstoffqualität getrieben werden.

F: Kann Economic MPC helfen, wenn unsere Anlage zwischen verschiedenen Betriebsregimes wechselt? A: Ja — dies ist einer der stärksten Anwendungsfälle für Economic NMPC. Anlagen, die in mehreren Regimes betrieben werden (z. B. Teillast vs. Volllast bei Windturbinen, verschiedene Reaktionsphasen in Chargenprozessen oder Heizen vs. Kühlen in Heating, Ventilation, and Air Conditioning (HVAC)-Systemen), verwenden typischerweise separate Nachführungsregler, die für jedes Regime optimiert sind. Die Übergangszone zwischen Reglern ist ein Bereich schlechter wirtschaftlicher Leistung: Kein Regler bewältigt den Wechsel gut, und wenn Übergänge häufig sind, sind die akkumulierten Verluste erheblich. Ein einziger Economic NMPC kodiert die vollständige nichtlineare Dynamik und die wirtschaftliche Zielfunktion einmalig — der Optimierer findet die global optimale Trajektorie über alle Regimes, und Regimeübergänge werden Teil der Optimierung statt einer Lücke zwischen Reglern.

F: Was ist der Unterschied zwischen linearem Economic MPC und nichtlinearem Economic MPC (NMPC)? A: Ob die zugrunde liegende Optimierung linear oder nichtlinear ist, hängt sowohl von der Zielfunktion als auch von den Nebenbedingungen gemeinsam ab — nicht allein vom Dynamikmodell. Linearer Economic MPC gilt, wenn die Optimierungszielfunktion linear oder höchstens quadratisch UND alle Nebenbedingungen linear sind (das Prozessmodell geht als lineare Gleichungsnebenbedingungen ein), was zu einem konvexen Quadratischen Programm (QP) oder Linearen Programm (LP) führt: global optimale Lösung garantiert, schnell und zuverlässig selbst auf bescheidener Hardware. Ein lineares Prozessmodell ist notwendig, aber nicht hinreichend — ein lineares Modell kombiniert mit nichtlinearen Nebenbedingungen oder einer Zielfunktion, die komplexer als quadratisch ist, führt dennoch zu einem Nichtlinearen Programm (NLP). Nichtlinearer Economic MPC (NMPC) ist erforderlich, wann immer das Dynamikmodell nichtlinear ist oder wenn Nebenbedingungen oder die Kostenfunktion nichtlinear sind; die Optimierung ist ein nicht-konvexes NLP: deutlich anspruchsvoller, lokale Optima sind möglich, Solver-Initialisierung und Warm-Starting sind kritische Ingenieurentscheidungen. In der Praxis funktioniert nichtlineare Optimierung jedoch überraschend gut, wenn das Problem sorgfältig formuliert und Globalisierungs- und Fallback-Strategien implementiert sind — dies ist eine Frage des ingenieurmäßigen Handwerks, nicht einer fundamentalen Barriere. Dr. Noga ist auf Economic NMPC spezialisiert. Bei den Anwendungen auf dieser Seite: Gebäude, Gewächshaus und Batteriespeicher verwenden lineare Dynamik mit QP/LP-Struktur; Windturbine und LHC-Kryotechnik erfordern vollständigen NMPC aufgrund nichtlinearer aerodynamisch/struktureller bzw. thermohydraulischer Modelle.

F: Wie schnell kann Economic MPC nach der Inbetriebnahme messbare Ergebnisse liefern? A: In der Praxis kann Economic MPC innerhalb weniger Wochen nach Projektbeginn in Betrieb genommen werden und messbare wirtschaftliche Ergebnisse liefern, sofern die Basisregelschicht stabil und Prozessdaten verfügbar sind. Ein typischer Verlauf: 1–2 Wochen für Modellidentifikation und Quantifizierung der wirtschaftlichen Ausgangslage, 1–2 Wochen für Offline-Simulation und Validierung, 1–2 Wochen für Online-Inbetriebnahme und Bedienerakzeptanz. Der genaue Zeitplan hängt von der Datenverfügbarkeit, der Komplexität der DCS-Integration und der Anzahl der wirtschaftlichen Zielfunktionsterme ab.

30-minütigen Discovery-Call buchen

Bereit zu erkunden, ob dieses Muster zu Ihrem System passt?

Dr. Rafal Noga — Unabhängiger APC/MPC-Berater

📧 E-Mail · 🌐 noga.es

Fester Projektumfang · NDA zuerst · DACH-Vor-Ort-Einsätze möglich

Öffentliche Referenzen

Footnotes

1. Schild, “Control-oriented modeling and controller design for wind turbines” — Vortrag eines IAV-Ingenieurs an der Universität Freiburg, gehalten im Rahmen des von IAV GmbH geführten Konsortiums (2018). Diese Arbeit entwickelte sich zu IAV Larus — Lidar-basierte Blattwinkelregelung für Windturbinen. Interne IAV-Bezeichnung: Realtime Supervisory Control (RSC) / Echtzeit Betriebsführung (EBF). https://www.iav.com/de/produkte-und-services/iav-larus/ ↩

2. “NMPC for the Superfluid Helium Cryogenic Circuit of the LHC” (IFAC PapersOnLine, 2015). Dr. Noga hat zu dieser Arbeit während seiner Promotion als CERN-Mitarbeiter beigetragen. ↩

3. Sturzenegger et al., “Model Predictive Climate Control of a Swiss Office Building: Implementation, Results, and Cost-Benefit Analysis” (IEEE TCST / ETH Research Collection, 2016). https://www.research-collection.ethz.ch/bitstreams/1a73128f-0bc3-4f40-a001-39d53e0cf491/download ↩

4. Van Beveren et al., “Minimal heating energy use combining an Infinite Horizon Economic Model Predictive Controller with a Realistic Disturbance Forecast for a Greenhouse” (Biosystems Engineering, Wageningen University & Research, 2015). https://doi.org/10.1016/j.biosystemseng.2015.06.004 ↩

5. Koller et al., “Review of Grid Applications with the Zurich 1 MW Battery Energy Storage System” (Electric Power Systems Research, ETH Zurich, 2015). https://doi.org/10.1016/j.epsr.2014.06.023 ↩