Estimation of building heat dynamics for energy optimization
- Reference number
- FID22-0052
- Project leader
- Jirstrand, Mats
- Start and end dates
- 231101-280430
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Fraunhofer-Chalmers Centre
- Research area
- Computational Sciences and Applied Mathematics
Summary
The aim of the project is to develop novel methods for the robust estimation of building heat dynamics, by data-driven methods. These methods will, especially in the later stages of the project, be based on mixed effects modeling across building stocks, in order to more effectively utilize the available data. The estimated models will then be used to design robust model predictive controllers, based on stochastic programming techniques and scenario generation. An important component of the estimated models is also that they should be able give reliable estimates of future heat loads, in anticipation of a future increased need of heat flexibility solutions that are a likely consequence of, e.g., the coming transition to fourth and fifth generation district heating systems. Condensed work plan 1. Development of adaptive models, including estimation of structural parameters, for the estimation of building heat dynamics for a single building (Year 1) 2. Development of validation and regularization methods for model estimation. (Year 2-3) 3. Adaptive mixed effects modeling for building stocks. (Year 2-3) 4. Model predictive control of building stocks under uncertainty. (Year 3-4) The expected final results from the project include algorithms for robust city-scale model predictive control of heat demand, evaluated with data from building stocks representative to Swedish conditions, and empirically validated on smaller scale.
Popular science description
Byggnader står för omkring 40% av den totala energiförbrukning, och inom EU för 36% av växthusgaserna, där en majoritet används för uppvärmning. Både EU-kommissionen och Fossilfritt Sveriges färdplan för bygg- och anläggningssektorn pekar ut effektiviseringar inom det befintliga fastighetsbeståndet som viktiga åtgärder det närmaste decenniet för att kunna nå slutmålen om nettonollutsläpp 2045 respektive 2050. Detta projekt syftar till att utveckla metoder för bättre skattning av värmedynamik, vilket kan förbättra och minska barriärer för energieffektiv styrning av byggnaders värmesystem. I regel styrs värmesystem av relativt enkla och oprecisa metoder, även om det finns forskning där mer avancerad modellbaserad styrning (eng. model predictive control, MPC) framgångsrikt har använts för att åstadkomma besparingar upp till 20%. Tack vare de senaste årens trender inom förbättrad beräkningskraft och uppkopplade sensor har tillämpbarheten för MPC inom värmestyrning ökat markant. Dock finns det fortfarande hinder för en beståndsövergripande övergång då MPC kräver information om byggnadernas värmedynamik, vilket typiskt saknas för det stora antalet äldre och energiineffektiva byggnader. För att uppnå besparingar genom uppskalad driftsättning av MPC i hela byggnadsbeståndet finns det därför ett behov av att med minimal manuell handpåläggning skatta värmedynamik. Automatisk skattning av värmedynamik kan vara utmanande på grund av externa störningar som exempelvis säsongsvariationer. Vi vill i detta projekt utnyttja den stora mängden nya uppkopplade sensorer från många olika byggnader som möjliggör storskalig matematisk modellering av dynamik. I synnerhet fokuserar vi på statistiska modeller där egenskaper på både populationsnivå och individnivå, som i detta fall kan motsvaras av städer respektive byggnader, kan kombineras för bättre skattningar. Utöver besparingar i energikonsumtion kan MPC vara till nytta för flexibel värmestyrning och lastförflyttning, vilket på energisystemnivå har potential att kapa effekttoppar eller omvänt utnyttja kortvariga toppar från intermittent produktion. På grund av skattningsfel av värmedynamiken riskerar en sådan flexibilitetslösning bli opålitlig för energisystemet eller alternativt försämra inomhuskomforten. För att adressera detta kommer vi att utnyttja populationsegenskaper för att modellera konfidensen i skattningar av värmedynamiken, vilket i sin tur kan ge ökad robusthet och tillförlitlighet i styrningen.