<  Back to the Polytechnique Montréal portal

Model Predictive Control for Demand Response Management Systems in Smart Buildings

Saad Abobakr

PhD thesis (2019)

[img] Restricted to: Repository staff only until 12 June 2020.
Cite this document: Abobakr, S. (2019). Model Predictive Control for Demand Response Management Systems in Smart Buildings (PhD thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/3864/
Show abstract Hide abstract

Abstract

RÉSUMÉ Les bâtiments représentent une portion importante de la consommation énergétique globale. Par exemple, aux USA, le secteur des bâtiments est responsable de 40% de la consommation énergétique totale. Plus de 50% de la consommation d’électricité est liée directement aux systèmes de chau˙age, de ventilation et de climatisation (CVC). Cette réalité a incité beau-coup de chercheurs à développer de nouvelles solutions pour la gestion de la consommation énergétique dans les bâtiments, qui impacte la demande de pointe et les coûts associés. La conception de systèmes de commande dans les bâtiments représente un défi important car beaucoup d’éléments, tels que les prévisions météorologiques, les niveaux d’occupation, les coûts énergétiques, etc., doivent être considérés lors du développement de nouveaux al-gorithmes. Un bâtiment est un système complexe constitué d’un ensemble de sous-systèmes ayant di˙érents comportements dynamiques. Par conséquent, il peut ne pas être possible de traiter ce type de systèmes avec un seul modèle dynamique. Récemment, di˙érentes méthodes ont été développées et mises en application pour la commande de systèmes de bâtiments dans le contexte des réseaux intelligents, parmi lesquelles la commande prédictive (Model Predic-tive Control - MPC) est l’une des techniques les plus fréquemment adoptées. La popularité du MPC est principalement due à sa capacité à gérer des contraintes multiples, des processus qui varient dans le temps, des retards et des incertitudes, ainsi que des perturbations. Ce projet de recherche doctorale vise à développer des solutions pour la gestion de con-sommation énergétique dans les bâtiments intelligents en utilisant le MPC. Les techniques développées pour la gestion énergétique des systèmes CVC permet de réduire la consom-mation énergétique tout en respectant le confort des occupants et les contraintes telles que la qualité de service et les contraintes opérationnelles. Dans le cadre des MPC, di˙érentes contraintes de capacité énergétique peuvent être imposées pour répondre aux spécifications de conception pendant la durée de l’opération. Les systèmes CVC considérés reposent sur une architecture à structure en couches qui réduit la complexité du système, facilitant ainsi les modifications et l’adaptation. Cette structure en couches prend également en charge la coordination entre tous les composants. Étant donné que les appareils thermiques des bâ-timents consomment la plus grande partie de la consommation électrique, soit plus du tiers sur la consommation totale d’énergie, la recherche met l’emphase sur la commande de ce type d’appareils. En outre, la propriété de dynamique lente, la flexibilité de fonctionnement et l’élasticité requise pour les performances des appareils thermiques en font de bons can-didats pour la gestion réponse à la demande (Demand Response - DR) dans les bâtiments intelligents.----------ABSTRACT Buildings represent the biggest consumer of global energy consumption. For instance, in the US, the building sector is responsible for 40% of the total power usage. More than 50% of the consumption is directly related to heating, ventilation and air-conditioning (HVAC) systems. This reality has prompted many researchers to develop new solutions for the management of HVAC power consumption in buildings, which impacts peak load demand and the associated costs. Control design for buildings becomes increasingly challenging as many components, such as weather predictions, occupancy levels, energy costs, etc., have to be considered while develop-ing new algorithms. A building is a complex system that consists of a set of subsystems with di˙erent dynamic behaviors. Therefore, it may not be feasible to deal with such a system with a single dynamic model. In recent years, a rich set of conventional and modern control schemes have been developed and implemented for the control of building systems in the context of the Smart Grid, among which model redictive control (MPC) is one of the most-frequently adopted techniques. The popularity of MPC is mainly due to its ability to handle multiple constraints, time varying processes, delays, uncertainties, as well as disturbances. This PhD research project aims at developing solutions for demand response (DR) man-agement in smart buildings using the MPC. The proposed MPC control techniques are im-plemented for energy management of HVAC systems to reduce the power consumption and meet the occupant’s comfort while taking into account such restrictions as quality of service and operational constraints. In the framework of MPC, di˙erent power capacity constraints can be imposed to test the schemes’ robustness to meet the design specifications over the operation time. The considered HVAC systems are built on an architecture with a layered structure that reduces the system complexity, thereby facilitating modifications and adap-tation. This layered structure also supports the coordination between all the components. As thermal appliances in buildings consume the largest portion of the power at more than one-third of the total energy usage, the emphasis of the research is put in the first stage on the control of this type of devices. In addition, the slow dynamic property, the flexibility in operation, and the elasticity in performance requirement of thermal appliances make them good candidates for DR management in smart buildings.

Open Access document in PolyPublie
Department: Département de génie électrique
Dissertation/thesis director: Guchuan Zhu
Date Deposited: 12 Jun 2019 15:30
Last Modified: 04 Jul 2019 16:04
PolyPublie URL: https://publications.polymtl.ca/3864/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only