Verbetering van het thermisch comfort van gebouwen onder onzekerheid door automatische afstemming van optimale regelparameters

Klimaatverandering veroorzaakt onvermijdelijke schade aan ons hele ecosysteem en volgens IPCC zijn we dichter bij onomkeerbare omslagpunten met een huidige temperatuurstijging van 1,1 °C ten opzichte van het pre-industriële niveau. In deze strijd is de rol van de bouwsector ongekend, zo is de woningbouwsector goed voor 28% van het eindenergieverbruik in de EU. Actie aan de verwarmingssysteemkant van huishoudens kan een enorme dynamiek creëren en een snelle decarbonisatie van de sector mogelijk maken. Optimalisatie van het energieverbruik in gebouwen mag echter geen afbreuk doen aan het thermisch comfort, maar in plaats daarvan meer beslissingsmogelijkheden creëren voor de bewoners. Optimale regelalgoritmen zijn een van de meest effectieve manieren om dit probleem aan te pakken door een comfortabel binnenklimaat mogelijk te maken, de energie-efficiëntie te verhogen en flexibiliteit in het systeem te bieden met een hogere penetratie van hernieuwbare en resterende energiebronnen in de netten. Optimale regeling kan ook een juiste en robuuste dimensionering van het warmtetoevoersysteem vergemakkelijken, waardoor overdimensionering van het huidige systeem wordt geëlimineerd. Een optimale regeling geïntegreerd in een optimaal ontwerp (ook wel co-ontwerp genoemd) kan op zijn beurt zowel de kapitaaluitgaven (CAPEX) van het warmtetoevoersysteem als de bijbehorende operationele kosten (OPEX) aanzienlijk verlagen. Model Predictive Control (MPC) en Reinforced Learning (RL) zijn twee belangrijke benaderingen die worden gebruikt bij optimale controle, beide hebben hun voor- en nadelen. Arroyo ontwikkelde een synergetische aanpak – genaamd Reinforced Model Predictive Control (RL-MPC) – waarbij de sterke punten van MPC en RL werden samengevoegd om hun respectievelijke zwakheden te compenseren. Bovendien kunnen besturingsmodellen op fysica of gegevens gebaseerd zijn en ook in de modelleringsbenadering kunnen de sterke punten van beide worden gecombineerd om b.v. model onzekerheid. Hybride methoden kunnen dus voordelen opleveren voor zowel het besturingsmodel als de besturingsstrategie. Binnen MPC kunnen we een onderscheid maken tussen parametrische onzekerheden (d.w.z. modelparameteronzekerheid) en additieve onzekerheden (d.w.z. onzekerheden op verstoringen zoals weer en gebruikersgedrag). Dit laatste is vooral onderzocht in eerder onderzoek, terwijl aan het eerste slechts beperkte aandacht is besteed, hoewel de impact van modelparameteronzekerheden op de prestaties van de regelaar (uitgedrukt in energieverbruik en thermisch ongemak) aanzienlijk is. Daarom heeft dit doctoraat tot doel de impact van parametrische onzekerheden in MPC te verminderen door de sterke punten van modelgestuurde en datagestuurde benaderingen samen te voegen. Data bevatten impliciet veel onzekerheden (zonder dat ze expliciet hoeven te worden gemodelleerd) en kunnen zo fysieke modellen aanvullen. Eerst wordt de vereiste modelvolgorde en -structuur gedefinieerd door de cruciale modelparameters te bepalen. Er moeten methoden worden ontwikkeld voor (1) modelparameterselectie, (2) modelparameteridentificatie (met behulp van gegevens van geselecteerde sensoren) en (3) controllermodelbeoordeling. Ten tweede worden (gemeten) gegevens gebruikt om MPC tijdens bedrijf te verbeteren door online modelparameteridentificatie, waardoor MPC wordt omgezet in Adaptive MPC. Ten derde wordt de mogelijkheid om leertechnieken voor versterking ook op te nemen in de optimale controleformulering, wat leidt tot Adaptive Reinforced MPC, verder onderzocht. Beide benaderingen worden ontwikkeld in dit doctoraat, uitgaande van de inzichten verkregen in recent werk over ADF-SMPC en RL-MPC.