English
Controllo di temperatura degli edifici
Controllo di temperatura degli edifici con tecniche model-driven e data-driven: un caso di studio
Luca Ferrarini - Politecnico di Milano
Soroush Rastegarpour, DEIB, Politecnico di Milano
Sommario
Riduzione dei consumi garantendo confort termo-igrometrico, utilizzando tecniche di controllo di temperatura degli edifici.
Controllo di temperatura degli edifici (e umidità e CO2) minimizzando i consumi. Confronto tra tecniche di controllo di temperatura degli edifici basate su modelli e su dati.
Il senso delle tecniche di controllo di temperatura degli edifici
Perché le tecniche di controllo di temperatura degli edifici hanno senso?
1) Perché abbiamo pompe di calore (COP variabile);
2) perché con l'inerzia termica disaccoppio generazione dal consumo.
Obiettivi del presente lavoro:
1) Controllo di temperatura degli edifici (e umidità e CO2) minimizzando i consumi;
2) Confronto tra tecniche di controllo basate su modelli e su dati.
Tuttavia, nascosto dietro gli obiettivi di progetto, ve n'è uno ben più importante nel campo del controllo:
Sfida perenne: come posso controllare (magari in maniera ottima) un sistema che è parzialmente non noto?
Quanto bene devo capire un sistema per controllarlo?
Sistemi di controllo di temperatura degli edifici a confronto
- Controllo predittivo;
- Mi serve un modello del plant per predire il comportamento futuro...;
- Centralizzato: fa tutto lui! Controlla i fan coil e le pompe di calore;
- Gerarchico: divisione dei compiti!
- Neurale: il modello del plant è una rete neurale (NARX), ma la logica di controllo è sempre predittiva;
- Nonlinear autoregressive model with exogenous (NARX);
- Machine Learning: il controllore è ACTOR-CRITIC;
- ACTOR-CRITIC;
1) Perché abbiamo pompe di calore (COP variabile);
2) perché con l'inerzia termica disaccoppio generazione dal consumo.
Obiettivi del presente lavoro:
1) Controllo di temperatura degli edifici (e umidità e CO2) minimizzando i consumi;
2) Confronto tra tecniche di controllo basate su modelli e su dati.
Tuttavia, nascosto dietro gli obiettivi di progetto, ve n'è uno ben più importante nel campo del controllo:
Sfida perenne: come posso controllare (magari in maniera ottima) un sistema che è parzialmente non noto?
Quanto bene devo capire un sistema per controllarlo?
Sistemi di controllo di temperatura degli edifici a confronto
- Controllo predittivo;
- Mi serve un modello del plant per predire il comportamento futuro...;
- Centralizzato: fa tutto lui! Controlla i fan coil e le pompe di calore;
- Gerarchico: divisione dei compiti!
- Neurale: il modello del plant è una rete neurale (NARX), ma la logica di controllo è sempre predittiva;
- Nonlinear autoregressive model with exogenous (NARX);
- Machine Learning: il controllore è ACTOR-CRITIC;
- ACTOR-CRITIC;
Video
Modello di riferimento di edificio e HVAC (riscaldamento, ventilazione e condizionamento dell'aria)
Descrizione dell'edificio
- 4 piani;
- 18 zone termiche:
. 14 classi;
. 4 aree comuni.
- 3500 m2 ca.
- Leggi di conservazione della fisica (massa ed energia): 60 equazioni non lineari;
- Grey-box model, tarato con dati raccolti in un giorno;
- Equazione algerica nonlineare della pompa di calore: da data sheet.
Qualche risultato - centralizzato vs gerarchico
Confronto MPC centralizzato vs MPC gerarchico: il gerarchico è meglio ma entrambi controllano abbastanza bene la temperatura.
Qualche risultato - gerarchico vs reti neura
- Confronto tra controllo gearchico e a reti neurali (temperature media, febbraio).
Qualche risultato - reti neurali
- Confronto MPC gerarchico e neurale sulle 18 stanze;
- Capacità di predizione (anello aperto): ma quanti dati mi servono per tarare la rete neurale che modellizza il plant dentro MPC?
- In Anello CHIUSO? Ancora peggio!
Qualche risultato - Actor Critic (ongoing)
- Actor critic: migliori risultati per ora...;
- Actor critic: non va sempre bene...
Conclusioni
MPC basato su modelli della fisica:
- << Fatica >> di costruzione dei modelli;
- Facilità di taratura (1 giorno di dati - max 7).
MPC basato su dati (reti neurali - NARX):
- << Poca fatica >> per la costruzione dei modelli;
- Lungo training (3-5 mesi di dati; 6 va sempre bene...).
Algoritmi di Machine Learning per il controllo (Actor - Critic):
- Laborioso mettere a punto i modelli (reward function, pesi, ecc.);
- Lungo training (3-6 mesi di dati almeno);
- Difficoltà di << certezze >> nelle prestazioni (erratiche).
MPC basato su modelli della fisica:
- << Fatica >> di costruzione dei modelli;
- Facilità di taratura (1 giorno di dati).
E in più:
- Tempi di calcolo: 2s per il gerarchico... per un tempo di campionamento di 15 minuti...
- Robustezza parametrica fino a circa 20%-30% di errore sui parametri per MPC model-based.
Sviluppi futuri
- Migliorare la tarartura dei modelli Actor-Critic / provare modelli diversi;
- Sviluppo di modelli misti model-driven e data-driven;
- Sviluppo di tecniche di << adattamento >> dei parametri.
Leggi tutto
Fonte: HOME & BUILDING ottobre 2021 La digitalizzazione negli edifici come leva abilitante per gli Smart Building
Settori: Climatizzazione, HVAC
Parole chiave: Climatizzazione
