Optimization of heat exchanger networks using Gaussian process regression

Abstract

Optimal drift av varmevekslernettverk kan spare både energi og penger. Dette studiet utforsket om Gaussiske prosesser kan kontrollere ventilåpninger på et varmevekslernettverk. I praksis er det vanskelig å måle alle tingene som er nødvendig for å bruke en komplett modellbasert tilnærming, og det er derfor et mål å kunne bruke et redusert sett med målinger som kan oppnå nær optimal drift i stedet. Temperaturmålinger er egnede målinger for varmevekslere. Ved bruk av Gaussiske prosesser for å estimere gradienter eller optimale ventilåpninger ut fra forskjellige sett med målinger, kan akseptable drift oppnås, selv med aktive begrensinger på temperaturer. For maksimal temperatur ut av nettverket, estimering av gradienter og deretter bruke en "setpoint" kontroller fungerte best. Ved tilfellet med begrensing på temperaturer, fungerte surrogatkontrolleren som estimerte optimale ventilåpninger best. Generelt sett reagerte gradientkontrollstrukturen på flere forstyrrelser enn surrogatkontrolleren, som endringer in varmekapasitet og varmeoverføringskoeffisienten. Surrogatkontrolleren var mer sensitiv til målinger plassering rundt optimal drift i treningssettet, der flere målinger nær optimal drift ga bedre drift for noen målingssett. Den begrensede gradientkontrollstrukturen klarte å bedre holde seg under temperaturbegrensningen, men gjorde der dårligere under temperaturbegrensningen. Den begrensede surrogatkontrolleren var sterkt påvirket av valg av målingssett, der veldig god drift ble oppnådd med et sett, og divergens med et annet. Den begrensede mikskontrolleren var mest stabile kontrollstrukturen med gjennomsnittlig god ytelse, men ikke best. Målingssettene som ytet best var de som inneholdt målinger brukt i Jäschke temperaturen, som kan være en god indikasjon på ideelle målinger for tilfeller som dette.

Optimal operation of heat exchanger networks can save energy and costs. This study investigated if Gaussian processes could be used to control the valve splits of a heat exchanger network. In practice it is hard to measure all the things needed for a full model based approach, and thus there is a need to work with a reduced set of measurements and aim for near-optimal performance instead. For heat exchangers, the temperatures are such well behaved measurements. Using the Gaussian process to predict gradients or optimal valve splits from different measurement sets, acceptable performance could be achieved, even in the presence of active temperature constraints. For purely maximizing the output temperature, predicting gradients and then using a setpoint controller worked best. For a temperature constrained case, a constrained surrogate controller predicting valve openings worked the best. In general, the gradient control structures reacted to changes in more disturbances than the surrogate controller, such as changes in heat capacity and the overall heat transfer coefficients. The surrogate controllers were more sensitive to the amount of samples near the optimum in the training dataset, where some measurements performed better with more. The constrained gradient control structure was better at staying at or below the constraint, but had subpar performance when below it. The constrained surrogate controller was also strongly affected by the measurement sets used, where a bad selection of measurements could cause divergence issues. The constrained mixed controller was the most stable performing control structure, with on average good performance, but not the best. The measurement sets that performed best was the ones containing variables using in the Jäschke temperature, which could be an indicator to the types of measurements that are ideal for prediction tasks such as this case.