Real-time data driven model predictive control for efficient energy consumption in smart buildings

Mtibaa, Fatma (2023). Real-time data driven model predictive control for efficient energy consumption in smart buildings. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Model Predictive Control (MPC) has received a lot of attention in recent years mainly in the field of Heating, Ventilation, and Air Conditioning (HVAC) control in smart buildings. MPC is an optimal control that improves the energy efficiency of HVAC systems. This is achieved by using a model-based control approach that integrates a mathematical representation of the building with the most important factors that affect the building dynamics. However designing an appropriate controller that accurately models the dynamics of the physical system is a challenging task in real applications, especially for multi-zone building and for different HVAC system types. Moreover, the non linearity of the buildings thermal dynamics makes the Indoor Air Temperature (IAT) prediction more challenging since it is affected by complex factors such as controlled and uncontrolled points, outside weather conditions and occupancy schedule. Modern smart buildings are equipped with multiple sensors that collect data, which is then used by optimal control techniques to improve energy efficiency while maintaining comfort levels. The availability of historical data opens the opportunity to develop data-driven control solutions based on artificial intelligence algorithms. Data-driven control reduces the cost and time consuming tasks caused by MPC that requires an accurate and complex modeling processes. Thus, the goal of this dissertation is to provide an efficient and scalable data-driven HVAC control framework that minimizes energy consumption, carbon emission, peak demand and discomfort during occupied hours under self-tuned setpoint, temperature ramp and equipment cycling constraints which integrates a multi-step temperature prediction model that consider control sensitivities.

In order to meet this goal, four key issues are required to be addressed in our framework and are summarized as follows: i) how to model IAT in a multi-zone smart building and for different types of HVAC systems without decreasing the prediction accuracy?, ii) how to accurately model a multi-step IAT prediction in a data-driven MPC framework without bias on the optimization decision for the control outputs?, iii) how to design and deploy an efficient real-time data-driven MPC optimization problem suitable for a real-time HVAC system application?, and iv) how to model a more scalable data-driven control system for HVAC system while reducing energy consumption and carbon footprint?

As part of our contributions to address the first issue highlighted above and to accurately model an IAT prediction model especially for multi-zone building and for different HVAC system types, we propose a new IAT prediction model based on Long Short Term Memory (LSTM) model. LSTM-MISO and LSTM-MIMO strategies are built for multi-input single-output and multi-input multi-output, respectively. A direct prediction with sequence-to-sequence (S2S) approach has been developed to predict multi-step ahead. Furthermore, a feature selection analysis has been performed to obtain optimal model structure for both variable air volume (VAV) and constant air volume (CAV) systems. Since the temperature behavior depends on the time of the action taken by control variables in the HVAC system, it is found that the consideration of these control variables as input increases the prediction accuracy performance. The performance of different strategies has been evaluated based on two case studies on real smart buildings operational data using VAV and CAV systems. For both buildings, experimental results showed that the proposed models outperform Multilayer Perceptrons models by reducing the mean absolute percentage error by 50%.

To address the second issue, we extend the first research objective and propose a new multi-step IAT prediction model based on a context-aware multivariate LSTM (CAM-LSTM) to be used in data-driven MPC framework without bias on the optimization decision for the control outputs. CAM-LSTM is based on high-level and low-level interaction between input features and considers the sensitive relationship between temperature and control parameters. Moreover, CAM-LSTM uses a dual-stream neural networks based on multivariate time series of controlled and uncontrolled inputs. In addition, an attention mechanism is applied on controlled parameters to give them more weight to better predict the zone temperature.

To address the third issue, we propose an efficient real-time data-driven control framework named Model Predictive Control via Genetic algorithm (MPC-GA) allowing the optimal operation of HVAC system and has been experimentally validated in a multi-zone retail building. The MPC-GA combines CAM-LSTM model with a MPC framework. The prediction model is used in the optimization model which minimizes: energy consumption, peak demand and discomfort during occupied hours under self-tuned setpoint, temperature ramp and equipment cycling constraints. A heuristic search algorithm using a genetic algorithm is used to solve the real-time data-driven MPC-GA models and obtain the future optimal combination settings of all controls for all the zones over a prediction horizon. The benchmark results showed that the MPC-GA outperforms RBC control systems with more than 50% and 80% reduction in energy consumption and discomfort respectively.

Finally, we introduce a scalable multi-agent based distributed approach for optimized control of a multi-zone smart building based on a set of local agents which represent individual zones in the building, coordinated by a central agent. For each control horizon, the coordinator minimizes the overall carbon emissions and assigns an individual energy budget to each local agent. Each local agent minimizes the discomfort in its zone while respecting the energy budget assigned by the coordinator. We propose a heuristic search based on a genetic algorithm to find the optimized control sequences in each zone, and formulate an integer linear programming (ILP) model for the coordinator problem which can be solved using an ILP solver. For a representative winter test day, the proposed methodology gave an energy savings of 8.8% and reduced the carbon footprint by 23.4%.

Titre traduit

Optimisation de contrôle prédictif orienté données en temps réel pour une consommation d’énergie et une empreinte carbone efficaces dans les bâtiments intelligents

Résumé traduit

Le Modèle de contrôle prédictif (MPC) a reçu beaucoup d’attention ces dernières années, principalement dans le domaine du contrôle du chauffage, ventilation et climatisation (CVC) dans les bâtiments intelligents. Le MPC est un contrôle optimal qui améliore l’efficacité énergétique des systèmes CVC. Ceci est réalisé par l’utilisation d’une approche de contrôle orientée modèle qui intègre une représentation mathématique avec les facteurs les plus importants qui affectent la dynamique du bâtiment. Cependant, la conception d’un modèle précis qui modélise la dynamique du système physique est une tâche difficile dans les applications pratiques, en particulier pour les bâtiments multizone qui possèdent différents types de systèmes CVC. En outre, la non-linéarité de la dynamique thermique des bâtiments rend la prédiction de la température de l’air intérieur (IAT) plus difficile car elle est affectée par des facteurs complexes tels que les paramètres contrôlés et non contrôlés, les conditions météorologiques et l’occupation, entre autres. Les bâtiments intelligents modernes sont équipés de multiples capteurs qui collectent des données, lesquelles sont ensuite utilisées par des techniques de contrôle pour améliorer l’efficacité énergétique tout en maintenant un niveau de confort optimal. La disponibilité de données historiques offre la possibilité de développer des solutions de contrôle orienté données et basées sur des algorithmes d’intelligence artificielle. Le contrôle orienté données réduit les coûts et le temps de calcul du MPC, qui nécessite un processus de modélisation précis et complexe. Ainsi, l’objectif de cette thèse est de fournir un cadre de contrôle CVC efficace et évolutif qui minimise la consommation d’énergie, l’émission de carbone, la demande de pointe et l’inconfort pendant les heures d’occupation sous des contraintes d’auto-ajustement du point de consigne, de la rampe de température et du cycle des équipements, en intègrant un modèle de prédiction de température multi-étapes qui prend en compte la sensibilité des paramètres de contrôle.

Afin d’atteindre cet objectif, quatre questions clés doivent être adressées dans notre cadre, qui sont résumés comme suit : i) comment modéliser l’IAT dans un bâtiment intelligent multizone et pour différents types de systèmes CVC sans diminuer la précision de la prédiction ? ii) comment prédire avec précision l’IAT à plusieurs étapes dans un cadre MPC orienté données sans biaiser la décision d’optimisation? iii) comment concevoir et déployer un problème d’optimisation MPC orienté données, efficace adapté à une application de système CVC en temps réel ? iv) comment modéliser un système de contrôle oriente données plus évolutif pour le système CVC tout en réduisant la consommation d’énergie et l’empreinte carbone ?

Dans le cadre de nos contributions pour résoudre le premier problème souligné ci-dessus afin de modéliser avec précision un modèle de prédiction de l’IAT pour un bâtiment multizone possédant plusieurs types de systèmes CVC, nous proposons un nouveau modèle de prédiction de l’IAT basé sur des réseaux récurrents à mémoire court et long terme (LSTM). Deux modèles ont été conçus, LSTM-MISO et LSTM-MIMO, soit une approche à entrées multiples et sortie unique et une approche à entrées multiples et sortie multiple, respectivement. Ces approches sont basées sur une prédiction directe séquence-à-séquence (S2S) pour prédire plusieurs étapes à la fois. En outre, une analyse de sélection des caractéristiques a été effectuée pour obtenir une structure de modèle appropriée pour les systèmes de volume d’air variable (VAV) et de volume d’air constant (CAV). Puisque le comportement de la température dépend des variables de contrôle du système CVC, on constate que la prise en compte de ces variables de contrôle par le modèle augmente la précision de la prédiction de l’IAT. La performance des différentes stratégies a été évaluée sur la base de deux études de cas sur des données opérationnelles de bâtiments intelligents réels utilisant des systèmes VAV et CAV. Pour les deux bâtiments, les résultats expérimentaux ont montré que les modèles proposés sont plus performants que les modèles de perceptrons multicouches en réduisant le pourcentage d’erreur absolu moyen de 50%.

Pour répondre au second problème, nous étendons le premier objectif de recherche et proposons un nouveau modèle de prédiction de l’IAT à plusieurs étapes basées sur un LSTM multivariable sensible au contexte (CAM-LSTM). Celui-ci est utilisé dans un cadre MPC orienté données sans biaiser la décision d’optimisation. Le CAM-LSTM est basé sur une interaction de haut niveau et de bas niveau entre les caractéristiques des paramètres d’entrée et qui tient compte de la relation sensible entre la température et les paramètres de contrôle. De plus, le CAM-LSTM utilise un réseau de neurones à double flux basé sur des séries temporelles multivariables de paramètres contrôlés et non contrôlés. En outre, un mécanisme d’attention est appliqué aux paramètres contrôlés pour leur attribuer le poids optimal afin d’améliorer la prédiction de la température de chaque zone.

Pour aborder le troisième problème, nous proposons un cadre de contrôle en temps réel efficace, basé sur un MPC orienté données utilisant l’algorithme génétique (MPC-GA). Il permet un fonctionnement optimal du système CVC validé expérimentalement dans un bâtiment commercial multizone. Le MPC-GA utilise le modèle CAM-LSTM dans le cadre MPC et il minimise : la consommation d’énergie, la demande de pointe et l’inconfort pendant les heures d’occupation sous des contraintes d’auto-ajustement du point de consigne, de la rampe de température et du cycle des équipements. Une heuristique utilisant un algorithme génétique est développée pour obtenir la combinaison optimale de contrôle du modèles MPC-GA en temps-réel pour toutes les zones sur un horizon de prédiction. Les résultats d’expérimentation ont montré que le MPC-GA surpasse les systèmes de contrôle RBC avec plus de 50% et 80% de réduction de la consommation d’énergie et de l’inconfort, respectivement.

Enfin, nous présentons une approche évolutif distribuée basée sur des multi-agents pour le contrôle optimisé d’un bâtiment intelligent multizone. L’approche utilise un ensemble d’agents locaux qui représentent les zones individuelles du bâtiment, coordonnés par un agent central. Pour chaque horizon de contrôle, le coordinateur minimise les émissions globales de carbone et attribue un budget d’énergie individuel à chaque agent local. Celui-ci minimise l’inconfort dans sa zone tout en respectant le budget d’énergie attribué par le coordinateur. Nous proposons une heuristique basée sur un algorithme génétique pour trouver les séquences de contrôle optimisées dans chaque zone, et formulons un modèle de programmation linéaire en nombres entiers (ILP) pour le problème du coordinateur qui peut être résolu à l’aide d’un solveur ILP. Pour un jour d’essai hivernal représentatif, la méthodologie proposée a permis de réaliser des économies d’énergie de 8,8% et de réduire l’empreinte carbone de 23,4%.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 131-143).
Mots-clés libres:	CVC, LSTM, séquence-à-séquence, prédictions multi-étapes, VAV, CAV, séries temporelles multivariées, mécanisme d’attention, MPC, algorithme génétique, contrôles optimaux, bâtiment intelligent, multi-agents, efficacité énergétique, réduction de l’empreinte carbone
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Cheriet, Mohamed
Codirecteur:	Codirecteur Nguyen, Kim Khoa
Programme:	Doctorat en génie > Génie
Date de dépôt:	30 mars 2023 13:38
Dernière modification:	30 mars 2023 13:38
URI:	https://espace.etsmtl.ca/id/eprint/3211

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt