intelliee-home: evonhome noch smarter

Transkript

1 intelliee-home: evonhome noch smarter Michaela KILLIAN 21. Juni / 32

2 Motivation I Folgende Funktionen können mit den evonhome Modulen vernetzt und gesteuert werden: Intelligente Jalousiesteuerung Automatisierte Lichtsteuerung Energiesparende Klimaregelung Integrierte Audiosysteme Universelle Apps Sichere Alarmierung Du kannst damit Dein Haus jederzeit per APP an Deine Bedürfnisse anpassen, siehst z.b. auch unterwegs, wer vor Deiner Tür steht. Du sparst auf Tastendruck teuren Strom, kannst Dein Haus wohlig vorwärmen. 2 / 32

3 Motivation II: Du sparst auf Tastendruck teuren Strom, kannst Dein Haus wohlig vorwärmen. MPC modellprädiktive Regelung Automatisierte Integration von: Kurzzeitprädiktionen von Strahlung, Wetter, Belegungsprofilen Energiesystemen (Speicher, Solarthermie, Photovoltaik, u.ä.) Haushaltsgeräten Thermischer Komfort Smart-Grid Anbindung 3 / 32

4 Vortragsüberblick Konzept & Projekthintergrund: intelliee-home Modellprädiktive Regelung für Smart Homes und Smart Grids Störgrößen und Kurzzeitprognosen für Gebäude Energiemanagementsysteme Zusammenfassung und Ausblick 4 / 32

5 Vortragsüberblick Kurzzeitprädiktion Wettervorhersagen Energiebedarf: Heizen / Kühlen Belegungsprofile Flexible Strompreise Photovoltaik MPC modellprädiktive Regelung Storenregelung Lastspitzenverschiebung Haushaltsgeräte 5 / 32

6 Motivation: smarte Gebäudeautomatisierung mit MPC Der Satz vom Bestehen der Energie fordert die ewige Wiederkehr. (Friedrich Wilhelm Nietzsche) Gebäudesektor verbraucht Großteil der Gesamtenergie eines Landes: Verbrauch in den USA 49 % Europa 40 % den VAE 70 % Enerdata / 32

7 Motivation: smarte Gebäudeautomatisierung mit MPC Der Satz vom Bestehen der Energie fordert die ewige Wiederkehr. (Friedrich Wilhelm Nietzsche) Gebäudesektor verbraucht Großteil der Gesamtenergie eines Landes: Verbrauch in den USA 49 % Europa 40 % den VAE 70 % Wie kann dieser Verbrauch (heizen/kühlen) reduziert und gleichzeitig Nutzerkomfort erhöht werden? Einbindung externer und interner Störgrößen: insbesondere Prognosen Enerdata 2006 Welche Konzepte eignen sich dafür? Modellprädiktive Regelungskonzepte (MPC) 7 / 32

8 MPC als hochflexible Echtzeitoptimierung Beispiel: sicheres Autofahren (in Australien...) Prädiktionshorizont Beschränkungen harte Beschränkungen 8 / 32

9 Modellprädiktive Regelung Optimierung unter Berücksichtigung von Störprognosen und Beschränkungen MPC modellprädiktive Regelung Wettervorhersage Belegungspläne Energieeffizienz User Comfort Berechnung (dynamisches Gebäudemodell!) Gebäude 9 / 32

10 Modellprädiktive Regelung Optimierung unter Berücksichtigung von Konzept prädiktiver Regelung: Störprognosen und Beschränkungen Vergangenheit Zukunft MPC modellprädiktive Regelung Sollwertinput y ref Wettervorhersage Belegungspläne vergangene Outputs prädiktive Outputs y act (Berechnung mit dynamischem Modell) k-4 k-3 k-2 k-1 k k+1 k+2 k+n u k+n 2-1 Vergangene Kontrollinputs u old Berechnete zukünftige Kontrollinputs u pred Energieeffizienz User Comfort k+n 2 Berechnung (dynamisches Gebäudemodell!) Gebäude Energieeffizientes Regeln! Prädiktionshorizont 10 / 32

11 Nutzen: Modellprädiktive Regelung User Komfort: - System lernt Nutzerverhalten Einbindung in Smart-Grids: - Lastspitzen: load shifting - Nutzen variabler Strompreise Optimale Gebäudebewirtschaftung durch modellprädiktive Regelung: - Zeitkonstanten - thermischen Speicher des Gebäudes nutzen - Strahlung nutzen, Auflösung kontroverser Optimierungsziele unter Berücksichtigung von thermischen und technischen Beschränkungen: max. Komfort vs. min. Energiekosten 11 / 32

12 Konzept: Adaptive Modellbildung Adaptive Modellbildung o Modulares Energiemanagementsystem: - Erkennung der einzelnen Aggregate/Komponenten - automatische Integration der Aggregate o Gebäudemodell anhand von Klassifikation selbstlernend o Nutzerverhalten inkludiert in adaptives Modell Plant-Identifikation Design Plant-Unsicherheiten Systemidentifikation MPC Stellgrößen u Plant (Gebäude) Ausgänge y 12 / 32

13 Konzept: Adaptive Modellbildung Adaptive Modellbildung Nutzen für o Modulares adaptiv-prädiktive Energiemanagementsystem: Regelung o Änderungen - Erkennung in Prozessdynamik der einzelnen können Aggregate/Komponenten erkannt und ausgeglichen werden - automatische Integration der Aggregate o Gebäudemodell anhand von Klassifikation selbstlernend o Nutzerverhalten inkludiert in adaptives Modell Plant-Identifikation Design Plant-Unsicherheiten Systemidentifikation MPC Stellgrößen u Plant (Gebäude) Ausgänge y 13 / 32

14 Konzept: Wahl der Initialmodelle Schneller Start mit generischen Gebäudetypen muss vorhanden sein (diverse Initialmodelle vorgegeben): plug-and-play Tool Statistische Tests dienen als Auswahlkriterium für Initialmodell Einfache Parametrierung: z.b. Heizbedarf, Gebäudemasse Modularer Aufbau: einzelne Heizkreise des Gebäudes können als unabhängig voneinander betrachtet werden Möglichkeit des Umschaltens zwischen saisonalen Modellen (heizen / kühlen) 14 / 32

15 Konzept: Wahl der Initialmodelle 30 Außentemperatur 4 Tage Szenario 20 Schwellenwert 18.5 C reales Gebäude ; verrauschtes Gebäude ; 10% schneller, Gain gleich ; 10% langsamer, Gain gleich ; 30% langsamer, Gain höher R 2 -Wert über Zeit, t = i:i+12h p-werte über Zeit Abtastzeit in Stunden 15 / 32

16 Konzept: Adaption der Modellparameter Permanente on-line Adaption der Modelle: (Recursive-Least-Squares) - RLS-Algorithmus: Vergessensfaktor λ einführen: historische Messdaten verlieren für die Optimierung an Bedeutung aktuelle Messwerte werden stärker gewichtet Sinnvoll: Arbeitspunktwechsel, Störungen, Invarianzen des Modells ausgleichen Üblicherweise: 0.95 < λ < 1 16 / 32

17 Konzept: Adaption der Modellparameter Permanente on-line Adaption der Modelle: Adaptiver Beobachter für parallele Zustands- und Parameterschätzung Es existiert keine geschlossene Form für wird über adaptives Gesetz berechnet Verschiedene Beobachtertypen: o Adaptive Luenberger Observer Type I o Adaptive Luenberger Observer Type II o Non-Minimal Adaptive Observers 17 / 32

18 Störgrößen Ausgeglichener thermischer Komfort wird vor allem durch folgende Einflüsse beeinträchtigt: Außentemperatur Solare Strahlung Nutzung / Belegung / innere Lasten Aufgrund der thermischen Trägheit eines Gebäudes ist die unmittelbare Reaktion (Ausregelung) auf Störungen kaum möglich! Kurzzeitprädiktion Belegungsprofile Wettervorhersagen MPC modellprädiktive Regelung Möglichst genaue Prädiktionen dieser Störungen sind daher sehr wertvoll: - Einbindung in modellprädiktive Regelung - optimale Betriebsstrategie (Komfort) 18 / 32

19 Störgrößen: Außentemperatur Wettervorhersagen Problematik Außentemperaturvorhersage ( ) weist systematischen Fehler zu konkretem Standort auf (Höhenlage, Schatten, Bewölkung, ) Lösungsansatz Adaptive Anpassung an Messdaten ( (im Gebäude integriert) - Offsetbereinigung: - Hinzunahme eines Faktors: ) aus lokaler Wetterstation 19 / 32

20 Störgrößen: Strahlungsprognosen Motivation Strahlung hängt sehr stark von lokaler Bewölkung ab: - Standortabhängigkeit - zeitliche Auflösung Wettervorhersagen Bacher, Peder, Henrik Madsen, and Henrik Aalborg Nielsen. "Online short-term solar power forecasting." SolarEnergy 83.10(2009): / 32

21 Störgrößen: Strahlungsprognosen Motivation Strahlung hängt sehr stark von lokaler Bewölkung ab: - Standortabhängigkeit - zeitliche Auflösung Wettervorhersagen Ansatz mittels ARX-Modellen Mittels k-step recursive least squares (RLS) mit Vergessensfaktor wird die Anpassung für das Prädiktionsmodell vorgenommen. Bacher, Peder, Henrik Madsen, and Henrik Aalborg Nielsen. "Online short-term solar power forecasting." SolarEnergy 83.10(2009): / 32

22 Störgrößen: Belegungsprognosen occupancy wird als binäre Variable angesehen. Belegungsprofile y(k) = 1 anwesend P(y(k) = 1) y(k) = 0 abwesend P(y(k) = 0) Anwesenheits-Wahrscheinlichkeit krank Profile arbeiten Abtastzeit in 15 min arbeitsfrei a-priori Wkt. für anwesend Vorgehensweise Monte-Carlo-Simulation von 3 generischen Profilen: o Arbeitstag o Krankheitstag o Wochenende Mit Hilfe dieser Daten a-priori Wahrscheinlichkeit für anwesend berechnen und resultierende bedingten Wahrscheinlichkeiten berechnen: o P(anwesend anwesend) o P(anwesend abwesend) o P(abwesend anwesend) o P(abwesend abwesend) 22 / 32

23 Störgrößen: Belegungsprognosen Belegungsprofile 12 hours a-head Prädiktion Identifikation typischer Profile und deren Wahrscheinlichkeiten: o Arbeitstag o Krankheitstag o Wochenende Auswahl des wahrscheinlichsten Profils (inklusive bedingter Wkt.) Prädiktion mit den zeitlich abhängigen a-priori Wahrscheinlichkeiten des zutreffenden Profils 23 / 32

24 Störgrößen: Belegungsprognosen Belegungsprofile hour a-head Prädiktion 12 hours a-head Prädiktion Identifikation typischer Profile und deren Wahrscheinlichkeiten: o Arbeitstag Prädiktion o Krankheitstag o Wochenende korrektes Profil Auswahl des wahrscheinlichsten Profils (inklusive bedingter Wkt.) Prädiktion mit den zeitlich abhängigen a-priori Wahrscheinlichkeiten des zutreffenden Profils Abtastzeit 15 min Tag 1: arbeiten Tag 2: heim gehen wegen Krankheit Tag 3: arbeitsfrei 24 / 32

25 Belegungsprofil: Clustering & Karhunen-Loéve Transformation Belegungsprofile Muster in hochdimensionalen Daten und Zeitreihen können schwer zu finden sein! 25 / 32

26 Belegungsprofil: Clustering & Karhunen-Loéve Transformation Belegungsprofile Muster in hochdimensionalen Daten und Zeitreihen können schwer zu finden sein! Karhunen-Loève Transformation (KLT) : - nimmt gegebene Datenmenge und sucht / findet eine orthogonale Basis für diese Daten - Die KLT ist eine Hauptkomponentenanalyse Was macht die KLT? Die KLT analysiert grundsätzlich die Daten und ihre Hauptkomponenten, um die Dimensionen zu reduzieren und die wichtigsten Eigenschaften herauszufinden. Die KLT beseitigt Überlagerungen und stellt alle Eigenschaften mit Linearkombinationen aus den Hauptkomponenten dar. 26 / 32

27 Szenarienerkennung Problemstellung Clustering von binären Daten Erkennung von Mustern auf Zeitachse / Zeitreihenclustering Kontexterkennung o Beispiel: Lichtschalterbetätigung Einzelereignis versus Muster auf Zeitachse / Korrelation mit Zeitreihe Anforderung an Lösung adaptiv selbstlernend Kategorienerkennung: o Wochentag, Arbeitstag, Urlaub, Ferientag, Krankheit, Wochenende, 27 / 32

28 Energiemanagement (BEMS) Brennwertgerät Wärmepumpe BEMS Photovoltaik Klimagerät Warmwasserspeicher Solarthermie Flexibles modulares Grundkonzept Für alle Kombinationen geeignet Adaptive Parametrierung oder Schnittstellen Optimierung: Geringe Kosten vs. Green Footprint vs. Komfort Ergänzt Komfortregler, können unabhängig voneinander ausgelegt werden 28 / 32

29 Energiemanagement: Optimierung Energiemanagementsystem (technische Ebene) o Regelung auf monetäre Energiekosten (Fernwärme vs. Wärmepumpe etc.) o Optimierter Speichereinsatz o thermisch (Kühltruhe/Gebäude selbst ) o elektrisch o Technische Beschränkungen (Latenzzeiten, life-cycle-cost, ) Mixed integer MPC für Energiemanagement: 29 / 32

30 Energiemanagement: Smart Grid Flexible Strompreise Lastspitzenverschiebung Smart Grid - System of Systems Herausforderung für den Netzbetreiber besteht darin, eine kooperative Strategie für alle Teilnehmer zu finden. zukünftige Anreize für Netzteilnehmer zu generieren (flexible Strompreise, Abnahme- / Abgabebeschränkungen). Optimale Betriebsstrategie für das Smart Home erfordert Planung auf Basis von Prädiktionen. 30 / 32

31 Zusammenfassung und Ausblick Originalität o plug-and-play MPC-Software für Smart Homes o modularer Aufbau des Regelkreises (Komfort / Energie) o automatisiertes Energiemanagementsystem Innovation o selbstlernendes / adaptives System o Auswahl der Initialmodelle für MPC o adaptive Kurzzeitprognosen für externe Störungen und innere Lasten Ausblick: intelliee-home o Laufzeit bis / 32

32 Vielen Dank für Ihre Aufmerksamkeit! Dr. techn. Michaela Killian Technische Universität Wien Getreidemarkt 9/E325-A Wien Robert Goldgruber evon GmbH Frank-Stronach-Straße Gleisdorf robert.goldgruber@evon-home.com / 32