Prädiktive Regelstrategien und Optimierung des Energieeinsatzes in Netz und Gebäuden

Transkript

1 Prädiktive Regelstrategien und Optimierung des Energieeinsatzes in Netz und Gebäuden Stefan Jakubek + Martin Kozek 28. Sep

2 Inhalt (1) Gebäude und Netze (2) Modellprädiktive Regelung (3) SmartMSR: Gebäuderegelung (4) CoOpt: Smart City Grid 2

3 Gebäude & Netze: Komplexe Energiesysteme Komplexe Energiesysteme: Verteilung Speicherung Prädiktion von Angebot, Nachfrage, Störungen, Preise Versorgungssicherheit Nutzungskomfort Technische Beschränkungen 3

4 Was ist ein Smart Grid? 4

5 Was bedeutet Gebäudeklimatisierung? (1) Gebäude und Netze (2) Modellprädiktive Regelung (3) SmartMSR: Gebäuderegelung (4) CoOpt: Smart City Grid 5

6 Herausforderungen Prädiktionen: optimal einbinden, Robustheit gegen Unsicherheiten Störungen: Wetter, Nutzerverhalten, Marktpreise optimale Einbindung Innere Dynamik: Große Zeitkonstanten (Stunden & Tage), schwierig zu modellieren, nichtlinear Kopplungen: starke Abhängigkeiten zwischen Teilbereichen 6

7 Lösungsansatz Lösung durch Echtzeit-Optimierung: Energie kommt im gewünschten Ausmaß am richtigen Ort zur richtigen Zeit an. Echtzeit-Optimierung und Berücksichtigung von: Prognosen Störungen Innerer Dynamik Kopplungen Beschränkungen Modellprädiktive Regelung 7

8 Inhalt (1) Gebäude und Netze (2) Modellprädiktive Regelung (3) SmartMSR: Gebäuderegelung (4) CoOpt: Smart City Grid 8

9 Optimierung Aufgaben beim Reglerdesign: Formulierung von Zielen, Kosten, Risiken Modell des Gebäudes/Grids Formulierung von Beschränkungen Regelung Optimierungsaufgabe In Echtzeit zu lösen 9

10 Modellprädiktive Regelung: Prinzip Ein Modell prädiziert zukünftige Zustände und Ausgangsgrößen Optimierungsziele werden formuliert Beschränkungen für Stellgrößen, Zustände usw. werden formuliert Die optimale Stellgrößensequenz wird daraus bestimmt Receding Horizon Optimisation: 10

11 Optimierung Richard Ernest Bellman ( ) Lev Semyonovich Pontryagin ( ) 11

12 Moore s Law Prof. Ray Kurzweil: Erfinder von CCD scanner Optische Schrifterkennung Text-to-Ppeech Synthesizer Music Synthesizer 12

13 Inhalt (1) Gebäude und Netze (2) Modellprädiktive Regelung (3) SmartMSR: Gebäuderegelung (4) CoOpt: Smart City Grid 13

14 Smart MSR - Überblick Green Building Management modellbasiertes Energiemanagementsystem Berücksichtigung Wetter, Nutzung, Belegung Einbeziehung aller Energiequellen (Smart Building) Kosten/ Energieoptimierung Benutzerkomfort Maximierung Gebäude Energiebereitstellung Anforderung Lieferung Gebäude Energiebedarf Energielieferung Zeit Strom Strom Fernwärme Geothermie Anforderung Lieferung Energiebedarf Zeit Kostenoptimum Komfortoptimum 14

15 SmartMSR - Reglerkonzept Optimierungsziele unter bestimmten Beschränkungen: HiLe: High Level Das Gebäude selbst (Räume) o Regelung auf User Komfort (Temperatur-Regelung): LoLe: Low Level Die Versorgungsebene (technische Ebene) o Regelung auf monetäre Energiekosten (Fernwärme vs. Wärmepumpe etc.): Optimierung wird in jedem Zeitschritt neu durchgeführt! 15

16 SmartMSR Modellierung Nutzerräume 4 nicht-lineare Zonen (Jahreszeiten) fuzzy MPC schnelle Dynamik 1 global lineare Zone for Koppelungszone globaler MPC langsame Dynamik Kooperation zwischen globalen MPC & fuzzy MPC wirken gegenseitig als Störung zone NW zone NO zone SW zone SO Unipark Nonntal, Salzburg Globale Kopplungszone - TABS 16

17 SmartMSR: Black-Box Modellierung Open-loop Sprungversuche: Datengetriebene Modellierung (Black- Box) Nichtlinear Heizen und Kühlen Lokal Lineares Modellnetzwerk 15 Alle Jahreszeiten Phi ϑ ambient in C BTA Vorlauf in C % Validierung - Südwest 25 65%-100% Validierung - Nordost 0%-75% 75%-100% ϑ ambient in C data model time [h] ambient in C data model time [hours] 17

18 SmartMSR: Modellierung Versorgungssysteme Schaltende Betriebszustände Latenzzeiten Hart nichtlineare Dynamik (Schichtspeicher) Fernwärme, Geothermie, Free-cooling Betriebs-Modi (Tank!): Laden Entladen Durchgang Schaltendes (hybrides) System MPC: gemischt-ganzzahlige Optimierung notwendig alternativ: branch and bound 18

19 SmartMSR - Zusammenfassung Kontroverse Optimierungsziele: HiLe: Maximierung des User-Komforts & Minimierung Verbrauch LoLe: Minimierung der Kosten & garantierte Versorgung Vorteile der Entkopplung: + Statt einem komplexen Problem zwei getrennte Optimierungen + Kommunikation lediglich über eine Größe (Wärme-/Kältebedarf) + Ins bestehende Leitsystem integrierbar Nachteile der Entkopplung: - Suboptimale Lösung: Globales Optimum nicht garantiert 19

20 Inhalt (1) Gebäude und Netze (2) Modellprädiktive Regelung (3) SmartMSR: Gebäuderegelung (4) CoOpt: Smart City Grid 20

21 SmartCityGrid:CoOpt Eckdaten Themen: Koordinierte Optimierung von Verbrauchern und SmartGrid Lastverschiebungspotential, Flexibilisierung Renewable-Anteile im Netz Wesentliche Inhalte: Innovativer, modellprädiktiver Regler für moderne Bürogebäude Hierarchisch-kooperatives Konzept für SmartGrid-Regelung in Interaktion mit geregelten Netzteilnehmern Validierung: Co-Simulation und Hardware-in-the-Loop (reales Gebäude) 21

22 SmartCityGrid:CoOpt Problemstellung Problemstellung: Lokale, volatile Alternativenergie & Verbrauch Lastspitzen Beschränkungen des Verteilnetzes Thermische Speicherkapazität Lastverschiebungs-Potenzial + - Energie Innovative prädiktive Regelverfahren automatische Berücksichtigung von Last- und Wettervorhersagen & Einhaltung von Netzbeschränkungen Energie CoOpt: Smart City Grid Management System CoOpt:Smart Building Management System Optimierungsziele: Energieeffizienz (z.b. Eigenbedarfsdeckung) + - Optimierungsziele: Kosten (z.b. Energieeffizienz, CO 2, Eigenbedarfsdeckung) Energiesystem / Netz Gebäude als Kraftwerk Komponente (Erzeuger, Verbraucher) 22

23 SmartCityGrid:CoOpt Lösung Hierarchische Modellprädiktive Regelung: Prädiktive Gebäuderegelung optimiert Gebäudebetriebsführung und bietet Schnittstellen für netzseitige Beschränkungsvorgabe Prädiktive Netzregelung nutzt Pool intelligent geregelter Teilnehmer, schlägt Lastverschiebung vor, um Überlastungen zu verhindern MW Optimisation t BMS MPC BMS MPC MW Optimisation t Vorgaben Netz-MPC SCG-MS MPC Vorgaben Netz (z.b. Energiekosten) MW Optimisation + - BMS MPC MW Optimisation BMS MPC MW Prognosen (z.b. Wetter) Vorgaben Gebäude (z.b. Behaglichkeit) Optimisation t t Prognosen (z.b. Wetter) t 23

24 CoOpt Resultate: Gebäuderegelung Komfort vs. Verbrauch Gebäuderegelung / Co-Simulation: Innovatives Regelkonzept: komplexes Gebäudeverhalten & Anlagen & Logik Einfaches Tuning thermischer Komfort vs. Energieverbrauch Detaillierte Co-Simulation zeigt Verbesserung zu regelbasiertem Standard-Regelschema ( RBC ) Hohe Regelleistung auch bei fehlerhaften Vorhersagen oder Modellfehlern Weiterentwicklung und Validierung in Hardware-in-the- Loop Testläufen am realen Gebäude 24

25 CoOpt Resultate: Lastverschiebung Co-Simulation: In Zeitfenstern Gebäude-Verbrauch reduzieren Blau: Ursprünglich geplanter Verbrauch Rot: Adaptierter Verbrauch um Netz zu entlasten 4h Jänner April August -70% Untere Diagramme: Komfortverletzungen keine Verschlechterung! 25

26 CoOpt: Grid-MPC - Betriebssicherheit gegen Überlastung SmartGrid: 2 Smart Buildings mit MPC im Netz Kritische Knoten und Leitungen sind erfasst (Problemstellen) Netz wurde vereinfacht, nicht kritische Teile aggregiert 26

27 CoOpt: Grid-MPC / Betriebssicherheit gegen Überlastung Co-Simulation: An kritischen Knoten / Leitungen werden Beschränkungen eingehalten Gebäude nutzen Potenzial Netz-MPC: Alle Beschränkungen werden durch Lastverschiebung eingehalten! 27

28 Danke für Ihre Aufmerksamkeit! Danke für Ihre Aufmerksamkeit! 28

29 Das Prinzip der prädiktiven Regelung Beispiel: sicheres Autofahren prediction horizon constraint stay away 30