Συντάχθηκε 29-08-2017 13:09
από Georgios Kontes
Email συντάκτη: gkontes<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: ΜΔΕ/Διδ. ΜΠΔ.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Ονοματεπώνυμο: Γεώργιος Κόντες
Ημερομηνία Εξέτασης
Ημέρα/Μήνας/Έτος: 01/09/2017
Ώρα: 13:00 μ.μ.
Χώρος Εξέτασης
Αίθουσα: Αίθουσα Συνεδριάσεων Σχολής ΜΠΔ
Κτίριο: Δ5.015
Θέμα
Τίτλος: Model-assisted Control for Energy Efficiency in Buildings
Εξεταστική Επιτροπή:
Ιωάννης Νικολός, Επιβλέπων, Αναπληρωτής Καθηγητής, ΜΠΔ, Πολυτεχνείο Κρήτης
Μάρκος Παπαγεωργίου, Καθηγητής, ΜΠΔ, Πολυτεχνείο Κρήτης
Μιχαήλ Λαγουδάκης, Αναπληρωτής Καθηγητής, ΗΜΜΥ, Πολυτεχνείο Κρήτης
Φώτιος Κανέλλος, Επίκουρος Καθηγητής, ΜΠΔ, Πολυτεχνείο Κρήτης
Γεώργιος Σταυρακάκης, Καθηγητής, ΗΜΜΥ, Πολυτεχνείο Κρήτης
Δημήτριος Ρόβας, Lecturer, University College London, Faculty of the Built Environment, Bartlett School of Environment, Energy & Resources
Γεώργιος Γιαννακάκης, Associate Professor, University of Malta, Institute of Digital Games
Περίληψη της εργασίας στα Αγγλικά:
Effective utilization of energy in buildings is receiving significant attention. This interest is justified on the observation that buildings account for a significant portion of end-energy use: in Europe 40% of the total energy consumed is used for the operation of buildings with a significant part of that energy used for conditioning occupied spaces, thus the value of effective energy utilization during the building operational phase is undisputed both in terms of achieving good occupant comfort and in reducing energy consumption.
In energy management of buildings, Building Management Systems (BMS) (or Building Automation and Control Systems (BACS)) play an essential role in managing buildings by providing some monitoring and control capability for multiple sub-systems including the Heating Ventilation and Air Conditioning (HVAC) system. Very often, the installation and commissioning of BMS system is viewed largely as a quality control process, and more specifically the target is proper installation and ensuring a minimum-level of functionality, rather than good operational performance. This has enabled the utilization of flexible and scalable BMS solutions. Here, the BMS is divided into two parts: Local and Remote. The local part is responsible for managing local control loops (usually PID), data collection and transfer, and very simple analytics; and the remote layer is responsible for providing more advanced services. The availability of such a cloud-based platform enables the development and utilization of advanced building energy management services, which cannot be deployed in local hardware due to their computational requirements and allow for semi-automatic intelligent control.
One of the most recent and widely-applied methodologies for designing intelligent building control strategies is Model Predictive Control (MPC). Here, a model of the building is available and using available weather and occupancy forecasts an optimization process determines a set of control actions to be applied in the building for a pre-defined period of time (e.g. 24 hours). The different control strategies are evaluated in the optimizer of the basis of a cost function and a set of (visual, thermal, etc.) comfort constraints. Then, the first control command is applied to the building and the whole process repeats. This approach has certain limitations, mainly regarding the inability to incorporate in a structured manner more elaborate thermal comfort indices, such as the Fanger index, and the requirement for linear or bi-linear building models, in order to define a convex optimization task.
The methodology developed in this thesis tries to address these limitations while maintaining the benefits of the MPC paradigm. We have developed a framework to deliver optimized and integrated operation of all energy-influencing components of a building that include generation, distribution and emission elements. First, a set of parametric control functions (controllers) are identified for each emission/distribution/generation system, following guidelines available in international standards. Next, given (weather, occupancy, etc.) forecasts for a predefined time window, say three days, a surrogate-based stochastic optimization algorithm is used to create candidate controller parameters to be applied to the building, and a detailed thermal simulation model (designed using detailed thermal simulation software like e.g. EnergyPlus or TRNSYS) is used to evaluate these candidate solutions. The evaluation is performed on the basis of a defined cost function and a set of (visual, thermal, air-quality, etc.) comfort constraints. The final, improved controllers are communicated to the building-side and are applied to the building.
In order to verify the efficiency of the proposed methodology, a hierarchy of experiments has been designed, facilitating simulation-based studies and real building experiments in two study buildings located in Greece and Germany. The simulation-based studies are used to evaluate the potential of the proposed approach in a controlled and disturbance-free environment, while the goal of the real building experiments is to study the behavior of the control design process under real-world conditions, influenced by user- and weather-induced disturbances.
In all our experiments the proposed methodology was able to outperform the baseline control strategy of the buildings (usually hard-coded in a set of pre-defined rules) in terms of total energy consumed, while preserving comfortable interiors. This is because a static, rule-based controller is unable to properly account for all the predicted and un-predicted disturbances (e.g. weather conditions, occupancy, setpoint tracking errors, etc.), whereas the model-based control design approach, utilizing the thermal simulation model of the building and the automated control design setup, was able to make informative decisions and control the building in an efficient manner.
An important aspect investigated through the experiments is the topic of (thermal) comfort-based control, since it was clear from the results that a discussion on energy efficiency seems untimely when discussed without any reference to comfort as there is a clear trade-off between comfort and energy. Having methods that allow the automated selection of building operation to desired levels of comfort is both desirable and can have significant implications. On the other hand, in existing state of the art, comfort is often synonymous with the temperature in the building zones being maintained within certain (prescribed) limits. As we investigate in the thesis this assumption while true in certain cases, in many cases is not sufficient to ensure true comfort for the building occupants, with detrimental effects to health and productivity (when office buildings are considered). In the proposed approach, we define comfort based on ISO 7730, which supports the definition and use of the Fanger index which captures, among other parameters, the influence of air and radiant temperatures along with humidity.
Περίληψη της εργασίας στα Ελληνικά:
Τα τελευταία χρόνια, η βελτιστοποίηση της ενεργειακής απόδοσης κτηρίων έχει λάβει σημαντική προσοχή. Αυτό το ενδιαφέρον είναι δικαιολογημένο, μιας και τα κτήρια είναι υπεύθυνα για ένα μεγάλο ποσοστό της τελικής κατανάλωσης ενέργειας. Συγκεκριμένα, στην Ευρώπη το 40% της ολικής κατανάλωσης ενέργειας χρησιμοποιείται για τη λειτουργία των κτηρίων, ενώ ένα μεγάλο ποσοστό από αυτή την ενέργεια χρησιμοποιείται για την επίτευξη θερμικής άνεσης στους εσωτερικούς χώρους. Επομένως η βελτιστοποίηση της ενεργειακής απόδοσης των κτηρίων κατά τη διάρκεια της λειτουργίας τους έχει πολλαπλά οφέλη και προς την κατεύθυνση της μείωσης της συνολικής κατανάλωσης ενέργειας και προς την κατεύθυνση της βελτίωσης της θερμικής άνεσης των χρηστών.
Στην ενεργειακή διαχείριση των κτηρίων, κεντρικό ρόλο παίζουν τα Συστήματα Διαχείρισης Κτηρίων (Building Management System (BMS)) ή Συστήματα Αυτοματισμού και Ελέγχου Κτηρίων (Building Automation and Control Systems (BACS)). Τα συτήμαατα αυτά προσφέρουν λειτουργίες παρακολούθησης της απόδοσης του κτηρίου, καθώς και λειτουργίες ελέγχου όλων των συστημάτων Θέρμανσης, Ψύξης και Κλιματισμού (Heating Ventilation and Air Conditioning (HVAC)). Πολυ συχνά η εγκατάσταση και η παράδοση των BMS στοχεύει στην σωστή εγκατάσταση του εξοπλισμού και στην επίτευξη κάποιας βασικής λειτουργικότητας στον μικρότερο δυνατό χρόνο και όχι στην βελτιστοποίηση της ολικής λειτουργίας του συστήματος. Για το τελευταίο, έχουν αναπτυχθεί επεκτάσιμα και ευέλικτα συστήματα BMS. Εδώ το BMS χωρίζεται σε δύο διακριτά μέρη: στην τοπική εγκατάσταση και στην απομακρυσμένη εγκατάσταση. Η τοπική εγκατάσταση περιλαμβάνει την διαχείριση των τοπικών βρόγχων ελέγχου (για παράδειγμα PID ελεγκτές), καθώς και τη συλλογή δεδομένων και την αποστολή τους στο απομακρυσμένο σύστημα. Το απομακρυσμένο σύστημα με τη σειρά του είναι υπεύθυνο για την εκτέλεση πιο πολύπλοκων υπηρεσιών, συνήθως σε ένα περιβάλλον υπολογιστικού νέφους (cloud-based). Η διαθεσιμότητα μιας τέτοιας υπολογιστικής πλατφόρμας επιτρέπει την υλοποίηση και χρήση εξελιγμένων και πολύπλοκων υπηρεσιών ενεργειακής διαχείρισης κτηρίων, που δεν θα μπορούσαν να αναπτυχθούν στον εξοπλισμό που είναι διαθέσιμος στην τοπική εγκατάσταση, λόγω της υπολογιστικής τους πολυπλοκότητας.
Αυτό το περιβάλλον ευνοεί και την ανάπτυξη εξελιγμένων αλγορίθμων/μεθοδολογιών ενεργειακής διαχείρισης κτηρίων. Μια από τις πιο διαδεδομένες μεθοδολογίες τέτοιου τύπου είναι ο Προβλεπτικός Έλεγχος με χρήση Μοντέλων (Model Predictive Control (MPC)). Εδώ ένα μοντέλο του κτηρίου, καθώς και προβλέψεις για τις μελλοντικές και καιρικές συνθήκες και την πληρότητα του κτηρίου, είναι διαθέσιμα. Χρησιμοποιώντας αυτές τις διαθέσιμες πληροφορίες, ένα πρόβλημα βελτιστοποίησης μπορεί να οριστεί ώστε να σχεδιάσουμε βελτιστοποιημένες αποφάσεις ελέγχου για όλα τα συστήματα του κτηρίου και για ορισμένο χρονικό διάστημα στο μέλλον (π.χ. για τις επόμενες 24 ώρες). Οι διαφορετικές αυτές στρατηγικές ελέγχου αξιολογούνται με βάση το μοντέλο ως προς μια ορισμένη συνάρτηση κόστους (π.χ. η συνολική κατανάλωση ενέργειας του κτηρίου) και ένα σετ από περιορισμούς στην (θερμική, οπτική, ακουστική, κ.λ.π.) άνεση των χρηστών του κτηρίου. Στη συνέχεια, μόνο η πρώτη απόφαση ελέγχου εφαρμόζεται στα συστήματα του κτηρίου και η όλη διαδικασία επαναλαμβάνεται.
Η κλασική εκδοχή αυτής της μεθοδολογίας στο πεδίο της ενεργειακής διαχείρισης κτηρίων έχει συγκεκριμένα μειονεκτήματα, κυρίως ως προς την ικανότητα να συμπεριλάβει με γενικό τρόπο πιο πολύπλοκους δείκτες θερμικής άνεσης, όπως είναι ο δείκτης Fanger, καθώς και η απαίτηση για γραμμικά ή διγραμμικά μοντέλα κτηρίων, ώστε το τελικό πρόβλημα βελτιστοποίησης να είναι κυρτό (convex).
Η μεθοδολογία που αναπτύχθηκε στην παρούσα εργασία έχει σαν στόχο να αντιμετωπίσει αυτά τα μειονεκτήματα, διατηρώντας παράλληλα και τα πλεονεκτήματα του MPC. Η συγκεκριμένη μεθοδολογία έχει τη δυνατότητα να σχεδιάζει βελτιστοποιημένες αποφάσεις ελέγχου για όλα τα συστήματα του κτηρίου ταυτόχρονα. Αρχικά, ένα σετ από παραμετρικούς ελεγκτές για όλα τα συστήματα του κτηρίου σχεδιάζεται, ακολουθώντας τα σχετικά πρότυπα στη βιβλιογραφία. Στη συνέχεια – και με δεδομένες τις προβλέψεις για τις καιρικές συνθήκες και την πληρότητα του κτηρίου – ένας στοχαστικός αλγόριθμος βασισμένος σε μετα-μοντέλα χρησιμοποιείται για να σχεδιαστούν υποψήφιες στρατηγικές ελέγχου για το κτήριο. Οι στρατηγικές αυτές αξιολογούνται χρησιμοποιώντας ένα λεπτομερές μοντέλο προσομοίωσης του κτηρίου (που έχει δημιουργηθεί χρησιμοποιώντας λογισμικά θερμικής προσομοίωσης κτηρίων όπως για παράδειγμα το EnergyPlus και το TRNSYS). Τέλος, η τελική (βελτιστοποιημένη) στρατηγική ελέγχου αποστέλλεται στο κτήριο ώστε να εφαρμοστεί στα συστήματα του κτηρίου.
Για την επαλήθευση της αποτελεσματικότητας της προτεινόμενης μεθοδολογίας, μια σειρά πειραμάτων σχεδιάστηκε και εκτελέστηκε τόσο σε επίπεδο προσομοίωσης όσο και σε πραγματικές συνθήκες, χρησιμοποιώντας δύο κτήρια, ένα στην Κρήτη και ένα στη Γερμανία. Τα πειράματα σε περιβάλλον προσομοίωσης χρησιμεύουν ώστε να διαπιστωθεί η αποτελεσματικότητα της μεθόδου σε ελεγχόμενο περιβάλλον, χωρίς τυχαίες μεταβολές, ενώ τα πειράματα σε πραγματικές συνθήκες καταδεικνύουν την αποτελεσματικότητα και τη σταθερότητα της προτεινόμενης μεθόδου σε πραγματικές συνθήκες, όπου επιδρούν στοχαστικές διαταραχές στο σύστημα τόσο από τις καιρικές συνθήκες όσο και από τις ενέργειες των χρηστών.
Σε όλα τα πειράματα η προτεινόμενη μεθοδολογία κατάφερε να αποδώσει σημαντικά καλύτερα συγκριτικά με την υπάρχουσα στρατηγική ελέγχου των κτηρίων, η οποία χρησιμοποιείται σαν σημείο αναφοράς. Αυτό συμβαίνει γιατί οι στατικές και βασισμένες σε ένα σύνολο προκαθορισμένων κανόνων υπάρχουσες στρατηγικές ελέγχου δεν είναι σε θέση να αντιμετωπίσουν όλες τις προβλεπόμενες και μη διαταραχές που επιδρούν στο σύστημα. Σε αντίθεση, η προτεινόμενη μεθοδολογία με τη χρήση του αναλυτικού μοντέλου θερμικής προσομοίωσης, καθώς και της μεθόδου βελτιστοποίησης είναι σε θέση να σχεδιάζει πιο αποδοτικές στρατηγικές ελέγχου, προσαρμοσμένες στις αναμενόμενες μελλοντικές συνθήκες.
Μια σημαντική παράμετρος που διερευνήθηκε μέσω των πειραμάτων είναι το θέμα του ελέγχου βασισμένου στην θερμική άνεση των χρηστών, μιας και είναι ξεκάθαρο από τα αποτελέσματα πως μια στείρα συζήτηση για εξοικονόμηση ενέργειας είναι άστοχη χωρίς σαφή αναφορά στην θερμική άνεση των χρηστών, μιας και υπάρχει ένα σαφές αντιστάθμισμα μεταξύ των δύο (είναι ανταγωνιστικά κριτήρια). Η ανάπτυξη μεθόδων που επιτρέπουν την αυτόματη ρύθμιση της θερμικής άνεσης στους εσωτερικούς χώρους κτηρίων είναι ένα από τα κύρια στοιχεία των εξελιγμένων BMS. Από την άλλη πλευρά, πολύ συχνά η θερμική άνεση ορίζεται σαν μια προκαθορισμένη περιοχή τιμών της θερμοκρασίας του αέρα σε κάθε ζώνη του κτηρίου. Όπως καταδεικνύουν τα αποτελέσματα της παρούσας εργασίας, αν και αυτή η υπόθεση είναι αληθής σε συγκεκριμένα κτήρια και HVAC συστήματα, στη γενική περίπτωση δεν αρκεί για να εξασφαλίσει πραγματική θερμική άνεση για τους χρήστες του κτηρίου, με επιζήμιες επιπτώσεις στην υγεία και την αποδοτικότητα των χρηστών. Στην παρούσα εργασία χρησιμοποιούμε τον δείκτη Fanger, ο οποίος είναι ένας ορισμός θερμικής άνεσης που περιέχεται στο ISO 7730. Ο δείκτης αυτός συνυπολογίζει – ανάμεσα και σε άλλες παραμέτρους – τις επιπτώσεις της θερμοκρασίας αέρα και της θερμοκρασίας λόγω ακτινοβολίας, καθώς και της υγρασίας στους χώρους του κτηρίου.
