| dc.description.abstract | Denne masteroppgaven er en del av POWIOT-prosjektet, som tar sikte på å lage et Internet of Things (IoT) basert strømstyringssystem for å minimere strømkostnader i smarte bygg og for å utjevne belastningen på strømnettet. Per juni 2022 er dette systemet installert i et hus i Trondheim ved bruk av kommersielt tilgjengelige IoT-enheter for automatisk styring av varmepumper, ved bruk av stokastisk modell prediktiv kontroll (SMPC) som primær kontrollalgoritme. Med ambisjon om å anvende strømstyringssystemet til mer enn oppvarming, har prosjektet involvert Chainpro AS, et selskap som utvikler batteripakker og batteristyringssystemer basert på re-sertifiserte litium-ion batterier fra elbiler. Gitt prosjekts erfaring innen datadrevet optimal kontroll, har samarbeidet blitt sentrert rundt ideen om å bruke den samme kontrollfilosofien for optimal styring av et batteris utladningssyklus. Denne masteroppgaven utvikler og evaluerer MPC for optimal batteristyring basert på datakilder tilgjengelig for alle boligtyper i Norge.
Gitt et hus med installerte solcellepaneler, avhenger MPC-en av solinnstrålingsdata, strømspotpriser og strømforbruket i boligen. Ettersom MPC forutser fremtidig systematferd, kreves spådommer på de nevnte datakildene for å finne de optimale kontrollvariablene, dvs. nødvendige transaksjoner med strømnettet eller beslutninger på om batteriet skal lades eller utlades. Prognoser for solinnstråling og spotpriser er tilgjengelig gjennom åpne API-er. Fremtidig strømforbruk er imidlertid en avgjørende og svært stokastisk verdi vi må bygge statistiske modeller for å forutsi. Mismatchene spådommer kan få systemet til å handle kraft med nettet på ugunstige tidspunkter, og dette vil svekke optimaliteten til systemet. Gjennom oppgaven utvikler vi to MPC-er og evaluerer dem i lys av de usikre dataprediksjonene: Den første er en vanlig MPC basert på forventet strømforbruk gitt tidspunktet på dagen. Den andre er en stokastisk MPC som minimerer forventede kostnader gitt flere forbruksestimater samplet fra strømforbruksfordelingene per time.
Kontrollerne evalueres i simulasjoner ved bruk av ett år med data fra april 2021 til april 2022. Strømforbruket til POWIOT-smarthuset er representativt for den gjennomsnittlige norske husholdningen, og spotprisene som er brukt i simuleringstidsrammen er en god en indikasjon på det fremtidige strømmarkedet. Sammenlignet med det ideelle scenarioet, det vil si et optimalt kontrollproblem gitt tidsrammen med kjent data, presterer den vanlige MPC-en 3,4% dårligere. Til sammenligning presterer SMPC-en 1,9% dårligere i samme simulering. SMPC-en yter bedre på de gitte dataene, og bringer de akkumulerte kostnadene nærmere det optimale scenariet. SMPC er iboende et større optimaliseringsskjema og løses fem ganger langsommere enn den vanlige MPC-en (målt 232 ms mot 45 ms). Men gitt at optimaliseringsproblemet forblir som formulert i denne oppgaven, er disse økte kjøretidene ubetydelige sammenlignet med MPC-samplingsintervallet.
På selskapets forespørsel utviklet vi en metode der Chainpro kan kvantifisere den optimale dimensjoneringen av systemdelene (dvs. batteriets kapasitet, invertereffekt og solcelleareal). Gitt komponentprisen per størrelsesenhet, gir optimaliseringsskjemaet størrelsene som minimerer de totale nettokostnadene over den antatte levetiden til installasjonen. For POWIOT-smarthuset anbefaler løsningen å maksimere det tilgjengelige arealet for solcellepaneler og anskaffe en inverter som utnytter den produserte kraften fra solcellene. Løsningen nedprioriterer imidlertid en investering i et stort batteri, men dette vil være forskjellig ved ulikt strømforbruk ogendre seg med senkede batteripriser og økende strømpriser. | |
| dc.description.abstract | This master thesis is a part of the POWIOT project, which aims to create an Internet of Things (IoT) based power management control system for minimizing electricity costs in smart buildings and evening out peak power loads on the grid. As of June 2022, this system is currently installed in a house in Trondheim using several commercially available IoT devices for smart control of air-to-air heat pumps, using stochastic model predictive control (SMPC) as the primary control algorithm. Looking beyond solely controlling the smart house heating system, the project collaborated with Chainpro AS, a company developing battery packs and battery management systems (BMS) based on second-life batteries for residential applications. Given the project experience in data-driven optimal control, the collaboration goal centered around the idea of using the same techniques for optimal battery management. This thesis develops and evaluates MPC schemes for optimal battery management based on data sources available for all residential buildings in Norway.
For a house with solar panels (PV) installed, the MPC depends on solar irradiance data, electricity spot prices, and residential power consumption. As MPC predicts future system behavior, it requires predictions on these data sources to find the optimal control inputs, i.e., transactions with the power grid or whether to charge or discharge the battery. Forecasts on solar irradiance and day-ahead spot prices are available through open APIs. However, future power consumption is a crucial and highly stochastic value we must build statistical models to predict. Mismatching predictions may trigger the BMS to trade power with the grid at unfavorable times, sacrificing performance optimality. We develop two MPC schemes and evaluate them in light of the uncertain data predictions: The first is a regular MPC based on the expected power consumption estimate given the time of day. The second is a stochastic MPC minimizing expected costs given several power estimates sampled from the hourly power consumption distributions.
We evaluate the controllers simulating over one year of data from April 2021 to April 2022. The power consumption of the POWIOT smart house is representative of the average Norwegian household, and the spot prices used in the simulation timeframe are likely indicative of the future electricity market. Compared to an ideal scenario, i.e., an optimal control problem (OCP) given the entire year of known data, the regular MPC performs 3.4% worse. The SMPC performs 1.9% worse in the same simulation. The SMPC performs better on the given data, bringing the accumulated costs closer to the optimum scenario. The SMPC is inherently a larger optimization scheme and solves five times slower than the regular MPC (measured 232 ms vs. 45 ms). However, given that the optimization scheme stays as formulated in this thesis, these increased runtimes are insignificant compared to the MPC sampling interval.
At the company's request, we developed a tool for Chainpro to quantify the optimal system component sizing (i.e., battery capacity, inverter power, and PV-array area) in parallel with the development of the MPC schemes. Given the component price per unit of size, the optimization scheme provides the sizes that minimize the total net costs over the assumed lifetime of the installation. For the POWIOT smart house, the solution recommends maxing out the available area for solar PVs and acquiring a sizeable inverter that harnesses the produced PV power. The solution down-prioritizes investing in a large battery, but this will differ with different power consumption and change with lowered battery prices and increasing electricity prices. | |