Commande prédictive efficace guidée par les données pour la gestion de la demande de puissance des petits bâtiments commerciaux

L’environnement bâti figure parmi les secteurs les plus énergivores, représentant 30% de la consommation énergétique mondiale et 28% des émissions totales de gaz à effet de serre. Aux États-Unis, par exemple, 46% de l’énergie consommée par ce secteur est attribuable aux bâtiments commerciaux. La commande prédictive (MPC) a démontré son efficacité dans la gestion des systèmes de chauffage, ventilation et conditionnement de l’air (HVAC). Afin de favoriser une mise en œuvre à grande échelle, les approches de modélisation basée sur les données, telles que les réseaux de neurones, sont généralement privilégiées. Cependant, l’intégration de ces approches dans un problème d’optimisation tel qu’un MPC peut entraîner une inefficacité computationnelle. Pour adresser cette problématique, plusieurs auteurs ont proposé de contraindre l’architecture du réseau de neurones afin d’assurer sa convexité. Ce mémoire propose une méthode de gestion énergétique facile à mettre en œuvre pour les bâtiments commerciaux de petite taille. Contrairement aux travaux antérieurs dans ce cou-rant de littérature, des commandes discrètes sont considérées pour modéliser avec précision le fonctionnement de la plupart des bâtiments de ce type, principalement équipés de systèmes HVAC de type unité de toit (RTU). Les modèles à commandes discrètes favorisent des mises à niveau minimales des bâtiments, augmentant ainsi le potentiel de mise en œuvre pratique de la méthode proposée. Les conditions réelles d’exploitation, telles que les horaires d’occupation, le confort thermique et les basculements d’équipement pour un bâtiment multizones, sont modélisées. Un input convex récurrent neural network est utilisé pour modéliser de manière précise la dynamique thermique de chaque zone. La convexité du MPC permet d’éviter les minima locaux, ce qui favorise une résolution efficace. La méthode de résolution proposée est basée sur l’optimisation sans dérivées, et le temps de résolution est limité à cinq minutes pour respecter les contraintes opérationnelles des RTUs. Ensuite, une stratégie d’enchère sur la demande basée sur un MPC est formulée pour les marchés en temps réel, ce qui permet d’exploiter pleinement la flexibilité du bâtiment. Les performances de la méthode proposée sont évaluées à l’aide d’une simulation numérique de pointe d’un bâtiment commercial à deux zones. Des études de cas numériques sont présentées, couvrant plusieurs programmes de gestion de la demande de puissance, tels que l’offre sur la demande, la tarification en fonction de l’heure de consommation et les remises en période de pointes critiques. L’approche proposée améliore le confort thermique tout en réduisant la consommation énergétique et les coûts, lorsqu’elle est comparée à d’autres méthodes. Les méthodes de commande utilisées pour la comparaison des performances comprennent une approche de commande conventionnelle, ainsi qu’un MPC linéaire et un MPC non convexe, tous deux guidés par les données.

Abstract

The built environment stands as one of the most energy-intensive sectors, accounting for 30% of the global energy consumption and 28% of total greenhouse emissions. In the United States, for example, commercial buildings alone consume 46% of the energy used in this sector. Model predictive control (MPC) has demonstrated its effectiveness in operating heat-ing, ventilation, and air conditioning (HVAC) systems. In order to maximize the broad applicability of these solutions, data-driven modelling approaches such as neural networks are generally preferred. However, these approaches can lead to computational intractability when included in an optimization problem like MPC. Many authors have tackled this issue by constraining the neural network’s architecture to guarantee convexity. In this work, we propose a readily implementable energy management method for small commercial buildings. Contrarily to previous work in this literature stream, we consider discrete controls to accu-rately model the operation of most buildings of this type, as they are predominantly equipped with a packaged rooftop unit (RTU)-HVAC systems. Discrete control models promote mini-mal building upgrades, and hence it increases the potential for the practical implementation of our method. We model real operating conditions such as occupancy schedules, thermal comfort, and equipment toggling for a multi-zone building. We use an input convex recurrent neural network to accurately describe the thermal dynamics of each zone as a function of con-trols, environmental parameters, and building states, in a data-driven fashion. The convex and discrete MPC problem avoids local minima and can be solved efficiently via derivative-free optimization given a limited computational time of 5 minutes to respect operational constraints of RTUs. Then, we formulate a MPC-based bidding strategy for real-time mar-kets to fully exploit the building’s flexibility. Performance of the controllers are assessed on a state-of-the-art numerical simulation on a 2-zone commercial building. We present numerical case studies of several demand response settings, including a demand bidding, a time-of-use, and a critical peak rebate program. We find that the proposed approach improves thermal comfort while reducing energy consumption and cost when compared to a set-point controller or other data-driven MPC approaches, such as linear-MPC and nonconvex MPC based on a state-of-the-art neural network.