Development of a Control Algorithm based on Machine Learning for PV-Driven Heat Pumps and Compression Chillers

Abstract

A medida que el sector energético europeo avanza hacia sistemas de energía más sostenibles, sustituyendo progresivamente la generación convencional por energía renovable, otros sectores pueden beneficiarse de la energía eléctrica no contaminante que se genera. El acoplamiento del sector de la calefacción y refrigeración y el sector eléctrico es de particular interés, dado que el sector de la construcción tiene un alto potencial de descarbonización. Además, tanto el coste de almacenamiento de calor como el de su generación a partir de la electricidad son bajos. Esta tesis busca contribuir a la transición del sector de la construcción hacia un modelo más sostenible desarrollando un control inteligente que gestione y optimice la estrategia de acoplamiento del sistema energético de los edificios con el sector eléctrico. Dicho sistema incluye un ciclo de vapor impulsado por una unidad de generación fotovoltaica y conectado a la red, apoyado por acumuladores de calor y frío. La literatura sobre estrategias de control de aprendizaje automático para sistemas energéticos en edificios sugiere que el algoritmo de aprendizaje profundo por refuerzo es un método prometedor para abordar el problema. La estrategia de control desarrollada utiliza las predicciones meteorológicas y de demanda de una vivienda unifamiliar y tiene como fin reducir al mínimo los costes energéticos. El algoritmo de control se valida mediante simulaciones a corto plazo y se compara con dos controles adicionales desarrollados en trabajos anteriores: un control basado en reglas y un control predictivo. Los resultados de las simulaciones anuales muestran que el control predictivo logra el menor coste energético y el control basado en reglas logra la mayor tasa de autoconsumo y las menores emisiones. Adicionalmente, se realiza un estudio de parámetros para identificar la combinación óptima de los mismos desde un punto de vista económico para una vivienda unifamiliar en Múnich, Alemania.

As the European energy supply sector moves towards more sustainable energy systems, progressively replacing conventional generation by renewable energy plants, other sectors can benefit from the emissions-free electrical power generated. The coupling of the heating and power sectors is particularly interesting, as the building sector has a high decarbonization potential, and the prices of both storing heat and generating heat from electricity are low. The purpose of this thesis is to contribute to the transition to a more sustainable building sector by developing an intelligent control that manages and optimizes the sector-coupling strategy of a building energy system. The system includes a cold vapor cycle, driven by a photovoltaic (PV) generation unit and connected to the grid, and heat and cold storage. After conducting a literature review on machine learning control strategies for building energy systems, the deep reinforcement algorithm is identified as a promising method to deal with the problem. The control strategy developed uses weather and demand predictions and aims at minimizing energy costs. The control is verified using short-term simulations. The performance of the control is evaluated by comparing it to two additional supervisory controls developed on previous work within the same project: a rule-based control and a model predictive control (MPC). The results of annual simulations show that the lowest annual electricity cost is achieved by the MPC control and the highest self-consumption ration and lowest annual operation emissions are achieved by the rule-based control. Additionally, a parameter study is conducted to identify the economically optimal combination of system parameters, considering the case of a single-family household in Munich, Germany.