TU Darmstadt / ULB / TUprints

Multi-Objective Building Energy Management Optimization with Model Predictive Control

Schmitt, Thomas (2022)
Multi-Objective Building Energy Management Optimization with Model Predictive Control.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00022344
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
2022-09-09_Schmitt_Thomas_Dissertation.pdf
Copyright Information: CC BY-NC-ND 4.0 International - Creative Commons, Attribution NonCommercial, NoDerivs.

Download (4MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Multi-Objective Building Energy Management Optimization with Model Predictive Control
Language: English
Referees: Adamy, Prof. Dr. Jürgen ; Sendhoff, Prof. Dr. Bernhard
Date: 2022
Place of Publication: Darmstadt
Collation: XVIII, 148 Seiten
Date of oral examination: 23 May 2022
DOI: 10.26083/tuprints-00022344
Abstract:

Today’s goals for the reduction of CO2 emissions are significantly impacting both the civil and the industrial sector. The increasing share of renewable energy sources leads to more volatile and challenging conditions for power consumption. The building sector is responsible for approximately a third of both CO2 emissions and energy consumption in Germany. At the same time, it offers the potential to adapt to the changing conditions by the intelligent use of energy storage systems. These can, e. g., be stationary batteries, electric vehicles at charging stations, heat tanks or the building itself. The control system for the power flow between these elements is called a building energy management (BEM) system. As the control strategy, Model Predictive Control (MPC) is an obvious choice. It allows optimal control while incorporating forecasts of, e. g., power demand, renewable energy production and air temperature.

However, in a complex control setting such as BEM, multiple contradicting objectives are to be minimized. For example, next to the reduction of monetary costs, the building’s temperature is supposed to be kept at a comfortable level, electric vehicles have to be charged sufficiently, battery degradation should be kept low and CO2 emissions have to be reduced. To directly optimize real-world objectives such as the examples given above, Economic Model Predictive Control (EMPC) can be utilized, in which the cost function for the optimal control problem (OCP) does not need to be quadratic, but can be of arbitrary form. However, if multiple objectives have to be respected, usually this is done in form of a weighted sum. Thereby, the weights are chosen either from experience or such that all objectives are of the same magnitude. While this is a reasonably simple approach, it neglects that, especially for BEM systems, the OCP varies significantly with the volatile outer conditions. Therefore, the trade-off which is chosen by the fixed weights varies over time, too.

The simultaneous optimization of contradicting objectives is called multi- objective optimization (MOO). Usually, the set of all ’optimal’ solutions is approximated and a (human) decision maker (DM) afterwards selects a solution which represents his preferences the most. This is appropriate in the case of one-time optimizations, which is usually the case in MOO. However, we want to use MOO for the permanent control of a BEM system.

Therefore, we propose an extended conceptualization of dynamic MOO, which is the systematic combination of MPC and MOO. At every time step, a multi-objective OCP is formulated and an approximation of the Pareto front is derived as its solution, i. e. the set of all optimal compromises. Then, a solution is automatically chosen. To this end, we present two different options. In the metric-based automatized decision making strategy, the Pareto front is first normalized. Then, a metric is calculated for every solution and the solution with the best value is chosen. We present two normalization schemes and three metrics a DM can choose from. In the preference-based automatized decision making strategy, preferences formulated by the DM a priori are utilized. First, a knee region is determined from the normalized Pareto front to exclude solutions which are too extreme. Then, the preferences are used to construct a hyperplane with which a solution from the knee region is finally selected.

The applicability of the proposed methods to the BEM problem is shown in long-term simulations. To this end, we show how the most important elements in a BEM system can be modeled while obtaining well-solvable convex optimization problems. Furthermore, we present a new method to determine an approximation of the Pareto front which is more apt for the case of dynamic MOO and its varying conditions.

Alternative Abstract:
Alternative AbstractLanguage

Die heutigen Ziele zur Reduzierung von CO2 beeinflussen bereits sowohl den privaten als auch den industriellen Energieverbraucher spürbar. Der steigende Anteil an erneuerbaren Energien in der Stromerzeugung führt zu volatileren und herausfordernden Bedingungen in der Stromnutzung. Der Gebäudesektor ist dabei verantwortlich für jeweils ca. ein Drittel des Stromverbrauchs und der Erzeugung von CO2 -Emissionen in Deutschland. Gleichzeitig verfügt er über das Potenzial, sich den sich ändernden Bedingungen durch die intelligente Nutzung von Energiespeichersystemen anzupassen. Dies können zum Beispiel stationäre Batterien, Elektroautos an Ladestationen, Wärmespeicher oder auch das Gebäude selbst sein. Zur Regelung der Leistungsflüsse zwischen diesen Elementen dient ein Gebäudeenergiemanagementsystem. Dabei ist die modellprädiktive Regelung (MPC) als Regelungsmethode eine naheliegende Wahl, da sie eine optimale Regelung unter der Berücksichtigung von Vorhersagen für zum Beispiel den Energieverbrauch, die Energieerzeugung durch erneuerbare Energien und der Lufttemperatur erlaubt.

In einem komplexen System wie dem Gebäudeenergiemanagement müssen jedoch mehrere, sich widersprechende Kriterien gleichzeitig optimiert werden. Dies sind zum Beispiel die Minimierung der monetären Kosten, die Regulierung der Gebäudetemperatur, das ausreichende Laden von Elektroautos, die Minimierung der Batteriealterung und die Reduzierung von CO2 -Emissionen. Mit einer ökonomischen MPC können solche Kriterien direkt optimiert werden, da die Gütefunktion für das Optimalsteuerungsproblem nicht der üblichen quadratischen Struktur entsprechen muss, sondern von beliebiger Form sein darf. Wenn wie im vorliegenden Fall mehrere Kriterien berücksichtigt werden müssen, geschieht dies üblicherweise in Form einer gewichteten Summe. Die Gewichte werden dabei entweder aus Erfahrung gewählt oder so, dass alle Kriterien in der gleichen Größenordnung liegen. Dieser Ansatz ist zwar vergleichsweise einfach umsetzbar, vernachlässigt jedoch, dass insbesondere bei Gebäudeenergiemanagementsystemen die äußeren Bedingungen volatil sind und sich damit die Optimalsteuerungsprobleme über die Zeit signifikant ändern. Daher variiert auch der Kompromiss zwischen den Kriterien, der durch die festen Gewichte ausgewählt wird.

Die gleichzeitige Optimierung mehrerer, sich widersprechender Kriterien nennt man multikriterielle Optimierung. Für gewöhnlich wird dabei die Menge aller “optimaler” Lösungen approximiert und einem (menschlichen) Entscheider präsentiert, der daraus die Lösung auswählt, die seinen Präferenzen am besten entspricht. Dieser Vorgang ist gut geeignet für einmalige Optimierungen, wie sie in der multikriteriellen Optimierung üblich sind. Im vorliegenden Fall soll die multikriterielle Optimierung jedoch für die permanente Regelung eines Gebäudeenergiemanagementsystems verwendet werden.

Daher wird in dieser Arbeit ein erweitertes Konzept der dynamischen multikriteriellen Optimierung präsentiert, das MPC und multikriterielle Optimierung systematisch kombiniert. Dazu wird in jedem Zeitschritt ein multikriterielles Optimalsteuerungsproblem aufgestellt und eine Approximation der Pareto-Front, d. h. die Menge aller optimalen Kompromisse, als Lösung bestimmt. Von dieser wird im Anschluss automatisiert eine einzelne Lösung ausgewählt. Dazu werden zwei Möglichkeiten vorgestellt. Bei der metrikbasierten Entscheidungsfindungsstrategie wird die Pareto-Front zunächst normalisiert. Daraufhin wird jede Lösung hinsichtlich einer Metrik bewertet und die beste ausgewählt. Dazu stehen zwei Normalisierungsmethoden und drei Metriken zur Verfügung. In der präferenzbasierten Entscheidungsfindungsstrategie werden zuvor formulierte Präferenzen eines Entscheiders verwendet. Dazu wird zuerst aus der ebenfalls normalisierten Pareto-Front eine Region von Kniepunkten bestimmt, die zu extreme Lösungen ausschließt. Dann wird mit Hilfe der Präferenzen eine Hyperebene konstruiert, mit der die finale Lösung aus der zuerst bestimmten Region an Kniepunkten ausgewählt wird.

Die Eignung der vorgeschlagenen Methoden für die Regelung eines Gebäudeenergiemangementsystems wird durch Langzeitsimulationen gezeigt. Dazu wird erläutert, wie dessen wichtigste Elemente so modelliert werden können, dass gleichzeitig gut lösbare konvexe Optimierunsprobleme entstehen. Des weiteren wird eine neue Methode zur Bestimmung einer Approximation der Pareto-Front vorgestellt, die für den Fall der dynamischen multikriteriellen Optimierung und den damit einhergehenden volatilen Bedingungen besser geeignet ist.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-223443
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institut für Automatisierungstechnik und Mechatronik
18 Department of Electrical Engineering and Information Technology > Institut für Automatisierungstechnik und Mechatronik > Control Methods and Intelligent Systems
Date Deposited: 07 Oct 2022 12:32
Last Modified: 11 Oct 2022 09:11
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/22344
PPN: 500224064
Export:
Actions (login required)
View Item View Item