Bruk av prediksjonsmodeller for optimal styring av snøsmelteanlegg

Abstract

I 2018 kom hele 37 % av Norges totale energiforbruk fra bygningssektoren, og den utgjorde med det den største delen av norsk energiforbruk. Samtidig fokuseres det stadig mer på smarte klimatekniske løsninger i bygg for å kutte ned forbruket. En av flere installasjoner ved norske bygg som kan optimaliseres for å begrense sektorens energiforbruk er snøsmelteanlegg.

Konvensjonelle snøsmelteanlegg styres i stor grad ved bruk av følere som gir informasjon om nå-tilstand. Nyere anlegg har begynt å ta i bruk lokale værprognoser som kombinert med lokale følere har kuttet energiforbruket betraktelig. Likevel er det fremdeles potensiale for ytterligere forbedringer, spesielt med hensyn til anleggenes oppstartstidspunkt og effektbegrensning.

Det prognosestyrte snøsmelteanlegget ved Trondheimsporten er benyttet som casestudie i masteroppgaven. Matematiske likninger for endring av bakketemperatur er kombinert med anleggets målere for å studere hvordan fremtidig bakketemperatur kan predikeres. Prediksjonsmodellene gir mulighet til å tilpasse effekt og oppstartstidspunkt slik at anlegget holder ønsket bakketemperatur gjennom driftstiden, og gjør det dermed mulig å optimalisere styringen av anlegget.

Snøsmelteanlegget er i dag blant de mer energieffektive med et gjennomsnittlig spesifikt energiforbruk på 126 kWh/m2/år. Resultatene fra analysen viste at det kun ved å tilpasse effekt ved bruk av prediksjon gjennom nedbørsperioder i 2020 ville vært mulig å spare 14.3 kWh/m2 av anleggets varmeforbruk, og dermed kutte årlige energikostnader med 16.9 %. Videre er det mulighet for ytterlig besparelse ved bruk av prediksjonsmodeller gjennom hele anleggets driftstid.

Resultatene fra masteroppgaven viste at ved å kunne predikere nødvendig effekt for å holde ønsket bakketemperatur gjennom nedbørsperioder, vil unødvendig energiforbruk ved snøsmelteanlegg unngås. Prediktiv styring vil med det gi mulighet for å optimalisere anleggenes styringsfunksjon slik at energiforbruket reduseres ned til reelt energibehov.

In 2018, as much as 37 % of Norway’s total energy consumption came from the building sector, and it thus accounted for the largest share of Norwegian energy consumption. At the same time, there is an increasing focus on smart climate technology solutions in buildings to cut down on consumption. One of several installations in Norwegian buildings that can be optimized to limit the sector’s energy consumption is snow melting systems.

Conventional snow melting systems are controlled by the use of sensors that gathers information on the current state. Newer systems have begun to use local weather forecasts, which, combined with local sensors, have cut energy consumption considerably. Nevertheless, there is still potential for further improvements, especially with regard to the systems’ start-up time and power limitation.

The forecast-controlled snow melting system at Trondheimsporten has been used as a case study for the master’s thesis. Mathematical equations for changing ground temperature are combined with the system’s sensors to study how future ground temperature can be predicted. The prediction models make it possible to adjust the power and start-up time so that the system maintains the desired ground temperature throughout the operating time, and thus makes it possible to optimize the control of the system.

The snow melting system is today among the more energy efficient with an average specific energy consumption of 126 kWh/m2/year. The results from the analysis showed that only by adjusting the power by using prediction during precipitation periods would it be possible to save 14.3 kWh/m2 and cut annual energy costs by 16.9 % in 2020. Nevertheless, further savings are possible by using prediction models throughout the plant’s operating time.

The results from the master’s thesis showed that by predicting the necessary power to achieve the desired ground temperature through precipitation periods, unnecessary energy consumption at snow melting systems will be avoided. Predictive control will thus provide an opportunity to optimize the system’s control function to reduce energy consumption down to real energy needs.