Värmepumpssystem med akvifär termisk lagring, ATES (Aquifer Thermal Energy Storage), möjliggör samtidig tillförsel av värme och kyla och ger kostnadsfri uppvärmning och kylning. Det innebär ekonomiska och termiskt effektiva lösningar.
– Det är ett bättre alternativ ur effektivitets- och ekonomisk synvinkel jämfört med andra tekniker för termisk lagring, exempelvis borrhål, men är relativt sett mer komplext att utforma, säger KTH-doktoranden Mohammad Abuasbeh.
Tillsammans med Björn Palm, senior professor i energiteknik på KTH, leder han projektet.
Mohammad Abuasbeh framhåller att en betydande del av Sverige, omkring 15–20 procent av ytan, innehåller geologiska formationer som lämpar sig väl för ATES. 20–25 procent av befolkningen bor i dessa områden.
– Men trots det finns bara 250–300 ATES-installationer. Vi har en utvecklingspotential.
Mohammad Abuasbeh berättade om sitt projekt på Värme- och kyladagen den 13 november.
Projektet syftar till att lösa problem relaterade till ineffektiv drift av ATES-system, och att ge smartare alternativ till nuvarande modeller som kräver stor datorkraft, domänkunskap och omfattande beräkningar. Ett övergripande syfte är att öka Sveriges forsknings- och industrikonkurrenskraft vad gäller design, modellering, drift och styrning av ATES.
Genom användning av fysikinformerad maskininlärning, PIML, hoppas Mohammad Abuasbeh kunna skapa effektivare och snabbare modeller för att styra systemen. Modellerna ska utnyttja PIML:s förmåga att införliva fysikens lagar som styr ett system i inlärningsprocessen.
– PIML är ett nytt tillvägagångssätt som integrerar maskininlärningsmodeller, särskilt djupinlärning, med fysiska principer. Denna kombination syftar till att förbättra prestanda, generalisering och tolkningsbarhet för maskininlärningsmodeller genom att bädda in fysikbaserade begränsningar eller lagar i inlärningsprocessen.
Modellerna kommer testas på en ATES-installation som noggrant uppmätts sedan 2016, vilket i sin tur kommer underlätta integration i styr- och driftsystem. De utvecklade teknikerna ska möjliggöra en mer detaljerad styrning eftersom man kontinuerligt kan köra simuleringen av ATES och prognostisera efterfrågan och ATES förmåga att möta den.
– Genom att integrera fysikinformerad maskininlärning löser vi inte bara tekniska utmaningar utan banar också väg för skalbara och kostnadseffektiva implementeringar av ATES. Detta kan bidra till Sveriges position som ledande inom innovation av geotermisk energi och skapa möjligheter för både forskning och industri.
I en framtid ser Mohammad Abuasbeh att ATES-utvecklingen har en potential att skalas upp avsevärt och nämner att tekniken kan komma att användas för att modellera och optimera andra energilagringslösningar, exempelvis termisk energilagring i borrhål.
– Eller till och med hybridsystem för förnybar energi som kombinerar sol- och vindkraft med termisk lagring. Detta arbete kan bidra till att Sverige blir ledande inom utveckling och export av avancerade geotermiska energilösningar.
Läs mer om ATES här (på engelska)