Approximating optimal control strategies for all-electric building energy systems

Maier, Laura Maria; Helsen, Lieve; Müller, Dirk

doi:HT030831358

Approximating optimal control strategies for all-electric building energy systems = Approximation optimaler Betriebsstrategien für strombasierte Gebäudeenergiesysteme

Maier, Laura Maria^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Laura Maria Maier

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Müller, Dirk (Thesis advisor)^RWTH* ; Helsen, Lieve (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-06-28

Online
DOI: 10.18154/RWTH-2024-07727
URL: https://publications.rwth-aachen.de/record/991162/files/991162.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
approximate model predictive control (frei) ; heat pump systems (frei) ; imitation learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die modellprädiktive Regelung (MPR) ist eine vielversprechende Methode zur Optimierung des Gebäudebetriebs. Hohe Hard- und Softwareanforderungen sowie fehlendes Vertrauen und Know-how in der Praxis verhindern jedoch eine breite Marktdurchdringung. Stattdessen sind regelbasierte Regler üblich, welche das Potenzial nicht ausschöpfen. Approximative MPR verknüpft Forschung und Praxis. Durch das Lernen des Zusammenhangs zwischen den Ein- und Ausgängen eines optimalen Reglers wird ein so genannter Approximator trainiert, um die Optimierung zu ersetzen. In der Literatur existieren vier Forschungslücken, welche durch ein simulationsbasiertes Framework auf Basis der CRISP-DM-Methode geschlossen werden. Die erste Forschungslücke besteht in einem fehlenden automatischen Verfahren zur Abwägung der Approximatorgenauigkeit und -komplexität. Durch die Integration von Informationskriterien in die Modelloptimierungsphase für ein PV-Batteriesystem, das seinen Stromaustausch mit dem Netz optimiert, wird diese Lücke geschlossen. Mit Hilfe von Informationskriterien gelingt es, strukturell kleinere maschinelle Lernmodelle mit akzeptablen Genauigkeitseinbußen zu erstellen. Die zweite Lücke ist der fehlende Vergleich der approximierten MPR mit alternativen höheren Regelungsmethoden. Daher wird ein Vergleich zwischen einer White-Box-, einer adaptiven Grey- und Black-Box-MPR, einem Reinforcement Learner und einem regelbasierten Regler für ein Büro mit einer raumlufttechnischen Anlage und einer Betonkernaktivierung vorgestellt. Die Regelgüte der approximierten MPR liegt zwischen der des regelbasierten Reglers und der höheren Regelstrategien, wobei sie die kürzesten Berechnungszeiten aufweist. Da die dritte Forschungslücke in der fehlenden Reproduzierbarkeit von Studien mit höheren Reglern liegt, wird die Methode auf das Zweizonen-Wärmepumpensystem aus dem BOPTEST Framework angewendet. Die Approximatoren imitieren die MPR mit geringen Leistungseinbußen und es wird deutlich, dass auf maschinellem Lernen beruhende Approximatoren gegenüber konventionellen zu bevorzugen sind. Zur Schließung der vierten Lücke wird die Methode mit zwei Experimenten verifiziert. Im ersten Experiment wird ein Wärmepumpensystem im Rahmen eines Hardware-in-the-Loop-Prüfstands untersucht, um die approximative MPR mit der MPR und einem regelbasierten Regler zu vergleichen. Die approximative MPR behält die Leistung der MPR bei und übertrifft den regelbasierten Regler. Im zweiten Experiment wird die approximative MPR auf Mikrocontrollern eingesetzt, die ein Heizregister steuern. Ihr gelingt es, den Prüfstand robust zu regeln, während nur ein Bruchteil des Rechenaufwands der MPR benötigt wird. Zukünftige Arbeiten sollten Extrapolationserkennung in das Framework integrieren. Eine Kombination mit modusbasierter Regelung und die Anwendung auf Quartierssysteme ist ebenfalls vielversprechend.

Model predictive control (MPC) is a valuable method to optimize buildings' control. However, high hardware and software requirements and missing trust and know-how in practice prevent a wide market penetration. Instead, manually tuned rule-based controllers are common, leaving untapped potential. Approximate MPC links research and practice. By learning the relation between an optimal controller's in- and outputs, a model, also called approximator, is trained to replace the optimization. The literature review reveals four research gaps. To address these, a simulation-based framework is developed based on the CRISP-DM method. The first research gap is a missing automatic process to weigh the approximators' complexity and their performance. This work addresses this by integrating information criteria in the model-tuning phase, automatically balancing the models' structure and accuracy. The use case is the optimization of the electricity exchange between a building's PV-battery system and the grid. The results reveal that information criteria succeed in outputting structurally smaller machine learning models with acceptable accuracy decreases. Most simplified models also result in an adequate closed-loop performance. The second gap is a missing comparison of approximate MPC with other advanced control methods. To close this gap, this work presents a comparison of a white-box, an adaptive grey- and a black-box MPC, a reinforcement learner, and a tuned rule-based controller for an office with an air handling unit and concrete core activation. The approximate MPC falls between the tuned rule-based and the advanced controllers' performance, while yielding the shortest computation times. Since a third research gap is the missing reproducibility and benchmarking, the method is assessed by BOPTEST's two-zone heat pump system. The approximators succeed in imitating the MPC with negligible performance losses. It becomes evident that machine-learning-based approximators are favorable over conventional ones. To close the fourth research gap, the method is tested based on two experiments. For the first experiment, the control of a single-family dwelling's heat pump system is investigated in a hardware-in-the-loop test bench to compare approximate MPC with its teacher MPC and a rule-based controller. The results prove approximate MPC's ability to retain the MPC's performance and to outperform the rule-based controller. The second experiment involves the deployment of approximate MPC on microcontrollers operating a heating register. The approximate MPC succeeds in robustly controlling the test bench, while requiring a fraction of the MPC's computational costs. Future work should integrate extrapolation detection in the framework. A combination with mode-based control and the application on district systems is also promising.

OpenAccess:
PDF
(additional files)