Amerikaanse gebouwen verbruiken ongeveer 40 procent van de Amerikaanse energie, waarvan een groot deel wordt besteed aan verwarming, koeling, en ventilatie. Verbeterde controlemethoden kunnen helpen het energieverbruik te verminderen. Model Predictive Control (MPC) heeft potentieel aangetoond om het energieverbruik in gebouwen aanzienlijk te verminderen. Echter, het is niet op grote schaal aangenomen vanwege een aantal implementatie-uitdagingen.

Onlangs, PNNL heeft aangetoond dat deep learning kan worden gebruikt om een ​​aantal van deze uitdagingen te overwinnen, de weg vrijmaakt voor een bredere toepassing van MPC in gebouwen. "Voor een succesvolle toepassing in gebouwen, de methode moet goedkoper en gemakkelijker te implementeren zijn, en dat was de focus van ons werk, " legt Jan Drgona uit, een PNNL postdoctoraal onderzoeksmedewerker.

Traditionele, op fysica gebaseerde MPC en zijn uitdagingen

MPC optimaliseert de controle over een teruglopende tijdshorizon, en in een gebouw kan de methode de controle voor de komende 24 uur optimaliseren met intervallen van 15 minuten. MPC zou een model van het gebouw gebruiken om de prestaties in de komende 24 uur te evalueren onder verschillende controlestrategieën voor vaste bezetting en weersveronderstellingen. De bedieningsinstellingen voor de eerste 15 minuten worden uitgevoerd, de respons van het gebouw wordt gemeten, en het proces wordt herhaald met bijgewerkte beginomstandigheden en weersvoorspellingen.

Een cruciaal onderdeel van MPC is het model zelf. MPC werd aanvankelijk gebruikt om industriële chemische processen te optimaliseren door middel van op fysica gebaseerde modellen. Op fysica gebaseerde MPC is ook effectief gebleken in gebouwen. In feite, veldtesten uitgevoerd door de KU Leuven in een kantoorgebouw in België lieten een energiebesparing tot 50 procent zien. MPC verbeterde ook het thermisch comfort in het gebouw door de temperaturen dichter bij de voorgeschreven grenzen te houden, die de productiviteit en het welzijn van de bewoners kunnen verbeteren.

Inzet van MPC in een groot deel van de gebouwenvoorraad was vanwege de hoge installatiekosten niet mogelijk. Elk gebouw is uniek en vereist zijn eigen, op fysica gebaseerde model. Op fysica gebaseerde modellen zijn rekenkundig duur, beperking van het aantal alternatieven voor besturingsstrategieën dat kan worden onderzocht en waarvoor vaak speciale hardware nodig is.

Een mogelijke oplossing?

Een onderzoeksteam van Jan Drgona, Draguna Vrabie van PNNL, en Lieve Helsen van de KU Leuven hebben een aanpak ontwikkeld die de rekenkundige uitdagingen van MPC overwint. Het team gebruikte op fysica gebaseerde MPC om deep learning neurale netwerkmodellen te trainen.

De modellen van neurale netwerken leveren controleacties op die dicht in de buurt komen van de acties die worden geproduceerd door op fysica gebaseerde MPC, maar doen dat veel sneller terwijl ze aanzienlijk minder rekenkracht gebruiken. In lekentermen, de onderzoekers leren de goedkope leerling (neuraal netwerk) het gedrag van de veel duurdere deskundige na te bootsen (physics-based MPC).

"We eindigen met een goed presterende intelligente controller met slechts een fractie van de uitvoeringskosten van klassieke Model Predictive Control, ' zegt Drgona.

Hij voegt toe, "Er is nog veel werk aan de winkel om robuuste, schaalbare methoden toepasbaar op grootschalige bouwsystemen. Door deze methoden toe te passen, we liggen op schema om de engineeringkosten te verlagen en een generieke oplossing te realiseren die breed beschikbaar is voor de gebouwbeheergemeenschap."

Drgona en collega's bespraken hun methoden in "De implementatiecomplexiteit van op fysica gebaseerde modelvoorspellende controle voor gebouwen verwijderen via diep leren." Dit artikel werd gepresenteerd tijdens een workshopsessie op de conferentie over neurale informatieverwerkingssystemen in Vancouver, Canada, in december 2019.