Model predictive control (MPC)
Oorspronkelijke datum van publicatie: Mon 10 Sep 2018 10:00:00 AM EEST
Belangrijkste ideeën van MPC
MPC gebruikt een expliciet lineair of niet-lineair model van de installatie en kennis van storingen en setpointveranderingen om toekomstige regelfouten te voorspellen. De gecontroleerde installatie kan SISO (Single Input, Single Output) of MIMO (Multiple Input, Multiple Output) zijn. Een bijkomend voordeel van MPC ten opzichte van traditionele controlemethoden is de mogelijkheid om operationele beperkingen, bijvoorbeeld een minimum- en maximumwaarde van de controle-input, op te nemen in het ontwerp van het controlesysteem. [2]
In de context van de regeling van de verwarming van gebouwen worden vaak iets andere formuleringen van de kostenfunctie (6) gebruikt. Deze worden verder besproken in de punten 4.5.4 en 4.6. Voor een lineair (traditioneel) regelmodel is (6) - (7) de voorspellende uitgangsregelwaarde een kwadratisch optimalisatieprobleem, waarvoor verschillende efficiënte solvers bestaan, bijvoorbeeld Quadprog in MATLAB [3]. Opgemerkt kan worden dat zonder de beperkingen (7) de berekende optimale regeling gelijk is aan die van de lineaire kwadratische regelaar (LQR). [2]
Figuur 1: De verwarmingsbelasting van de verwarmingsradiator aan de rechterkant is aanzienlijk groter dan die aan de linkerkant, waardoor er discrepanties ontstaan in de temperaturen die door de bewoners in de kamers worden waargenomen.
Terugwijkende horizoncontrole (RHC)
Hoewel uit (6) - (7) een optimale besturingsinput wordt verkregen voor de tijdstippen k + 1, k + 2, ... , k + N, wordt gewoonlijk alleen de eerste besturingsinput toegepast. Wanneer op het tijdstip k + 1 een nieuwe meting binnenkomt, wordt een andere reeks regelinputs voor de tijdstippen k +2, k +3, . . . , k +N +1 uit het optimalisatiealgoritme verkregen. Het principe waarbij alleen de eerste besturingsinput wordt toegepast, en de optimalisatie na elke meting wordt uitgevoerd, wordt het receding horizon regelaarprincipe genoemd. Het maakt de optimale regelaar minder gevoelig voor modelonnauwkeurigheden en maakt de afleiding mogelijk van analytische bewijzen van gesloten-lusstabiliteit, die hier achterwege worden gelaten en niet verder worden toegelicht.
Model Predictive Control (MPC) gebruikt in gebouwen
In de gebouwautomatisering wijzen verschillende factoren op een groot potentieel van MPC ten opzichte van traditionele regelmethoden voor HVAC-systemen. Gebouwen hebben over het algemeen een trage dynamiek door isolatie en grote thermische massa, waardoor de verwarming vooraf moet worden gepland (zie figuur 10). Kennis van de belangrijkste storingen zoals omgevingstemperaturen, zonnestralingsniveaus, bezettingsstatus van de ruimte zijn ook gemakkelijk beschikbaar. Van bijzonder belang is het gebruik van MPC bij de verschuiving van de belasting van het elektriciteitsnetwerk, een sleutelcomponent in slimme netwerken en vraagresponsprogramma's. MPC kan ook worden gebruikt om verschillende onafhankelijke systemen, zoals verwarming, ventilatie en airconditioning, kostenefficiënt te integreren. [4]
Bestaande toepassingen van MPC in gebouwenverwarming
Vervolgens worden enkele bestaande toepassingen van MPC in de verwarmingsregeling van gebouwen kort besproken. De belangrijkste bevindingen, met name wat betreft energieverbruik en implementatieproblemen, worden samengevat.
Geval 1: Tsjechische Technische Universiteit, Praag
MPC is toegepast voor verwarmingsregeling in een gebouw van de Tsjechische Technische Universiteit (CTU) in Praag. De toepassing van MPC verminderde het energieverbruik voor verwarming met 17-24% in vergelijking met een weersafhankelijke regelaar.
Het in de studie gebruikte verwarmingssysteem (plafondstralingssysteem) verschilt van de in Finland gebruikelijke systemen. In de studie werd de methode Subspace Identification gebruikt om het dynamische model van het verwarmingssysteem te verkrijgen. De identificatiefase was tweeledig: eerst werd een eerste model vastgesteld op basis van operationele gegevens. Het initiële model werd later verbeterd door specifiek ontworpen identificatie-experimenten die van eind december tot begin januari werden uitgevoerd. Alleen voorspellingen van de omgevingstemperatuur werden in aanmerking genomen. De auteurs van de studie vermelden moeilijkheden bij het verkrijgen van het dynamische model als de belangrijkste uitdaging bij de toepassing van MPC voor gebouwen. [5]
Figuur 2: MPC is in staat de warmtetoevoer proactief aan te passen voordat de omgevingstemperatuur verandert, wat superieure prestaties oplevert ten opzichte van standaard PID-regeling en PID met externe temperatuurcompensatie (PIDc) [4]
Geval 2: OptiControl
Opticontrol [6] is een interdisciplinair onderzoeksproject naar nieuwe voorspellende regelstrategieën voor een kostenefficiënte regeling van HVAC-systemen in gebouwen. In het Opticontrol-project werd een integratie van alle systemen voor gebouwautomatisering overwogen, d.w.z. naast verwarming werd ook de regeling van zonwering, ventilatie enz. overwogen. De beschouwde modelleringsmethode was gebaseerd op RC-analoge modellen. Het casusgebouw was een vrij nieuw kantoorgebouw in Zwitserland. Er werd geen relatieve vergelijking van het energieverbruik gemaakt, maar de auteurs concludeerden op basis van simulaties dat de MPC het energieverbruik met 17% zou verminderen in vergelijking met een regelgebaseerde regelaar. De auteurs concludeerden dat bij de huidige energieprijzen de vereiste inspanning met betrekking tot systeemidentificatie en andere voor de toepassing van MPC vereiste engineering te hoog is om de toepassing ervan voor soortgelijke gebouwen te rechtvaardigen. [7]
Samenvatting van implementaties
Tabel 1 geeft een overzicht van de hierboven besproken MPC-implementaties. Het effect van MPC op het energieverbruik is afhankelijk van het aantal systemen dat gebruik maakt van de MPC en de fysieke eigenschappen van het gebouw (bv. isolatie). Het gebruik van MPC voor de integratie van meerdere systemen kan bepaalde synergetische voordelen opleveren (bijvoorbeeld een lichte daling van de ventilatie tijdens een vraagpiek bij verwarming).
Het vermogen van MPC om de belasting te verschuiven is op zich belangrijk in verband met vraagbeheersing en slimme netwerken. Er kan echter worden geconcludeerd dat de toepasbaarheid van MPC voor commerciële producten inherent beperkt is door de noodzaak van voldoende nauwkeurige dynamische modellen. Voor commerciële, plug-and-play, soorten systemen kunnen niet alleen op basis van historische gegevens voldoende nauwkeurige modellen worden verkregen, en vaak kunnen geen langdurige systeemidentificatie-experimenten worden uitgevoerd zonder het comfort van de gebruiker op te offeren. Voor kantoorgebouwen kan het plannen van de identificatiefase tijdens de kerstvakantie een haalbare optie zijn.
Tabel 1: Vergelijking van MPC-implementaties.
Referenties:
