Optimal Control of TES System by Using Nonlinear Model Predictive Control

Abstract

WE-utvinningsprosess (industriell spillvarme) gjenbruker varmeenergi som ellers ville gått tapt for å sikre og forbedre ressursbevaring og avfall, samt for å redusere kostnader. Under slike omstendigheter kan et termisk energilagringssystem (TES) brukes til å lagre WE, med den hensikt å møte fremtidige topp energibehov. Med tilstedeværelsen av TES-tanker har ytelsen til enkle termiske energisystemer økt betraktelig. For å realisere betydelig energisparing og kostnadsreduksjon implementeres en av de viktigste optimale driftsstrategiene, ikke-lineær modell prediktiv kontroll (NMPC). Stabiliteten og ytelsen til NMPC avhenger sterkt av modellens nøyaktighet som brukes i optimaliseringen. Imidlertid er det i mange praktiske anvendelsesdomener en usikkerhet som blant annet misforhold mellom plantemodeller, noe som kan påvirke robustheten betraktelig. Som en konvensjonell metode fungerer standard NMPC godt uten å ta hensyn til usikkerhet, som for eksempel uoverensstemmelse av plantemodeller. Imidlertid, etter å ha tatt hensyn til usikkerhet, tilbyr standard NMPC liten robusthet mot den, der energiforsyning og etterspørselsprofil kan variere betydelig fra de spådde profilene. For å avvise usikkerhet betydelig, implementeres en av de mer robuste versjonene av NMPC-er, scenariobasert multitrinns NMPC, der utviklingen av usikkerheter er modellert som et forplantet scenario-tre langs prediksjonshorisonten. Den numeriske metoden for å løse optimale kontrollproblemer i denne oppgaven er valgt som direkte samlingsmetode. Da er NLP-problemet definert i CasADi-rammeverket og løst av IPOPT i MATLAB-programmeringsmiljøet. Simuleringsundersøkelser er utført for tre større og et mindre tilfelle, nemlig optimal kontroll av et enkelt TES-system ved standard NMPC med og uten direkte solvarme uten plantemodellfeil, optimal kontroll av et enkelt TES-system med multitrinns NMPC og optimal kontroll av et enkelt termisk energisystem ved standard NMPC uten lagringstank uten plantemodellfeil.

Industrial waste heat (WE) recovery process reuses heat energy that would otherwise be expelled and wasted to ensure and enhance resource conservation, waste as well as costs reduction. Under this circumstance, thermal energy storage (TES) system can be used to store WE for meeting future peak energy demand. With the presence of TES tank, the performance of simple thermal energy system has been significantly increased. In order to realize considerable energy saving and cost reduction, one of the significant optimal operation strategies, nonlinear model predictive control (NMPC) is implemented. The performance and stability of NMPC depend strongly on the accuracy of the model which is utilized in the optimization. However, in many practical application domains, uncertainty like plant-model mismatch is present and severely effects its robustness. As a conventional method, standard NMPC works well without considering uncertainty such as plant-model mismatch. However, after taking into account uncertainty, standard NMPC offers few robustness against it, where energy supply and demand profile may vary considerably from their predicted profiles. So as to significantly reject uncertainty, one of the robust versions of NMPCs, scenario-based multistage NPMC is implemented, where the evolution of uncertainties is modeled as a propagating scenario tree along prediction horizon. The numerical method for solving optimal control problem in this thesis is selected as direct collocation method. Then NLP problem is defined in CasADi framework and solved by IPOPT within the MATLAB programming environment. Simulation studies have been carried out for three major and one minor cases, namely optimal control of a simple TES system by standard NMPC with and without direct solar heating without plant-model mismatch, optimal control of a simple TES system by multistage NMPC and optimal control of a simple thermal energy system by standard NMPC without storage tank without plant-model mismatch.