Prognoseregulering av kjølesystemer for norske kontorbygg
Abstract
Denne oppgaven omtaler ulike modelleringsstrategier for prediksjon av kjølebehov for bruk av prognose modellregulering(MPC) av kjølesystemer i kontorbygg. Ved å predikere kjølebehovet er det mulig å optimalisere reguleringen av kjølesystemer og redusere bruken av energi til kjøling. Energibruk til kjøling i norske kontorbygg har økt de siste ti årene . Samtidig er presset fra offentlige myndigheter om redusert energibruk i byggesektoren aldri har vært større.
Prediksjon av kjølebehov gir muligheter til å produsere energi til kjøling på et tidspunktet før kjølebehovet inntreffer. Samtidig muliggjør det utnyttelse av mer optimale kjølesystemer og nøyaktig regulering. For MPC av kjølesystemer er det mulig bruke vær-, kjølefaktor-, energipris- og internlastprognose og forutse utviklingen til kjølebehovet frem i tid. Kjølebehovet avhenger i stor grad av værforholdene. Derfor er det motiverende at værprognoser fra metrologiske institutt har aldri vært bedre. Samtidig er energiprisprognose lett tilgjengelig fra Nord Pool som gir indikasjoner på når det er økonomisk gunstig å produsere energi til kjøling. Kombinasjonen av kjølemaskin og lager kan være et fornuftig kjølesystem for prognose modellregulering. Dette fordi lageret kan fungere som buffer i perioder der det er gunstig å produsere mens behovet er lavt. I tillegg ved bruk av MPC er det mulig å oppnå lavere reguleringstap og mer nøyaktig regulering. I MPC oppdateres prognosen i faste intervaller, eksempelvis hver time, for å korrigere for eventuelle feil.
For optimal MPC er det avgjøreende å ha treffsikre systemmodeller for prediksjon. I den anledning har fire modeller blitt analysert med hensyn på treffsikkerhet, \say{Normalized root mean square error} NRMSE. De fire modellene er basert på bygningskroppen til ett standardisert kontorbygg. Disse er alle modellert for å predikere kjølebehovet til bygget. Det har blitt programmert en grå-boks modell i form av ett termisk nettverk. Grå-boks modellene benytter seg av fysiske prinsipper og målt bygningsdata. Videre har det blitt utviklet tre nevrale nettverk innenfor svart-boks metoden. Disse benytter seg av maskinlæringsteknikk og er avhengige av input- og outputen til det som modelleres og trenes basert på store mengder måledata fra bygget. Felles for de nevrale nettverkene viste seg å være høy treffsikkerhet for lengre treningsperioder, jo større mengde data dess bedre prediksjon av kjølebehov. Det termiske nettverket viste det motsatte. Samtidig kom det frem at de flerlagsforovernettverket(FN) fikk høyest NRMSE.
I analyse av prediksjonen til FN ble forenklet MPC av kjølebehov utviklet med betingelser for maksimal effektkapasitet og minimal innetemperatur for kjølebehov. Det interessante ved prediksjonene til FN nettverket var at en typisk \say{gjennomsnittlig dag} i vår- og sommermånedene ga høyere NRMSE enn dag med maksimalt kjølebehov og solstråling. Avvikende tilstand ga lavere treffsikkerhet. Uavhengig av dette ser det like vel ut til at FN modellen har høyest presisjon i sin prediksjon av kjølebehov, med hele NRMSE på ca 95 prosent. Dette gjør at med de forutsetningene som er tatt i analysen konkluderes det med at kjølebehovet til ett standardisert kontorbygg kan predikeres med høy treffsikkerhet. Dette gjør kjølesystemer regulert med MPC kan ha mulighet til å utnytte presise prediksjoner og forutse utviklingen til byggets kjølebehov frem i tid. This thesis investigates different modelling strategies to predict cooling need for usage in model predictive control(MPC) of cooling systems in office buildings. Cooling need prediction enable optimization of the control of cooling systems and thereby reduce the energy usage related to cooling. During the last decade the usage of cooling energy has increased in Norwegian office buildings. Meanwhile the pressure on reduced energy consumption in the building sector from the Norwegian government has never been higher.
Prediction of cooling need gives opportunities to produce cooling energy before the time cooling need occurs. In addition, the prediction gives opportunity to exploit more optimized cooling systems and more accurate control. With model predictive control of cooling systems it is possible to use predictions of weather, coefficient of performance, energy price and internal gains and foresee the development of cooling need for the next hours or days. Coefficient of performance depends on the outdoor temperature and the load factor of the cooling machine. Thus it might be predicted based on these factors. The forecast of the energy price is available at Nord Pool and gives indications of when it is economically beneficial to produce cooling energy. Cooling systems with cooling machine and thermal storage might be suitable for model predictive control. This due to possibility of using energy from storage meanwhile it is not economically beneficial to produce. Furthermore with predictive model control the prediction is updated with fixed intervals, example each hour or 15 minutes, to correct errors.
For effective model predictive control it is crucial with accurate predictive system models. In relation to this, four different models based on the building envelope and balance of a standardized office building has been developed to predict cooling need. One of them was a grey-box model, thermal network. These models use the physical features of the building and measured data. Furthermore it has been developed three neural networks within the black-box method. These exploits machine learning and depend solely on measured data as input and output in the training process. In the analysis all three neural networks seem to have higher NRMSE for longer training periods, the more data the models was trained on, the more accurate predictions they produced. In terms of the thermal network model the network had the opposite response, it had higher NRMSE for lower amount of input data. In the end the feedforward neural network(FN) seemed to have the most accurate predictions. Moreover the predictions of the FN seemed to respond differently depending on weather. For a average day the accuracy seemed to be higher compared to a day with high solar radiation and a day when the cooling need was at its maximum. In colclusion, with the assumptions and considerations taken in this thesis it is possible to predict cooling need for uage in MPC with high accuracy. This makes it possible to forsee the cooling need for a office building many hours ahead.