Decentralized Mixed-Integer Temperature Optimization for Multi-Zone Commercial Buildings

Les bâtiments commerciaux représentent une part importante de la consommation énergétique mondiale, les systèmes de chauffage, ventilation et climatisation (CVC) en constituant une portion substantielle. L’optimisation du fonctionnement des systèmes CVC permet non seulement d’améliorer l’efficacité énergétique, mais aussi de réduire les pointes de demande sur le réseau électrique, notamment lorsqu’ils sont intégrés à des programmes de gestion de la demande de puissance. Toutefois, ces gains doivent être réalisés sans compromettre le confort des occupants, car une baisse de confort pourrait nuire à la participation à ces programmes. La modélisation précise de la dynamique thermique d’un bâtiment est essentielle à une commande efficace, chaque bâtiment présentant un comportement unique qui nécessite une identification soignée du système. Par ailleurs, les bâtiments commerciaux utilisent fréquemment des unités de toit (roof-top unit RTU), qui fonctionnent selon des modes discrets, par exemple, plusieurs niveaux de chauffage/refroidissement et un ventilateur à fonctionnement tout ou rien, ce qui complique l’utilisation de stratégies de commande continues. Dans ce mémoire, nous proposons une approche décentralisée de commande prédictive à variables discrètes pour des bâtiments commerciaux à zones multiples. Cette stratégie de contrôle repose sur un modèle linéaire guidé par la physique et entraîné à partir de données simulées ou historiques, ainsi que de prévisions des conditions météorologiques. Grâce à sa formulation décentralisée à variables discrètes, l’approche est à la fois deployable à grande échelle et compatible avec les systèmes RTU existants, évitant ainsi des mises à niveau d’infrastructure coûteuses. Enfin, la méthode proposée est validée dans un environnement de simulation de bâtiment, en tenant compte des structures tarifaires à tarification selon l’heure d’utilisation (Time-of-Use), à tarification critique (Critical Peak Pricing) et à tarification en temps réel (Real-Time Pricing). Les résultats démontrent que le contrôleur basé sur l’optimisation, dans ses versions centralisée et décentralisée appliquées au bâtiment à deux zones, surpasse la stratégie de contrôle tout ou rien de référence. Bien que le contrôleur centralisé appliqué au bâtiment à cinq zones présente une capacité limitée à s’adapter à des configurations à grande échelle, il offre tout de même une performance supérieure à celle du contrôleur tout ou rien.

Abstract

Commercial buildings represent a major share of global energy consumption, with heating, ventilation, and air conditioning (HVAC) systems accounting for a substantial portion of that use. Optimizing HVAC operations not only improves energy efficiency but also reduces peak loads on the electrical grid when integrated with demand response programs. However, these benefits must be achieved without compromising occupant comfort, as discomfort can hinder program participation. Accurately modelling a building’s thermal dynamics is essential for effective control, yet each building exhibits unique behaviour that requires careful system identification. Morevover, commercial buildings often rely on rooftop unit (RTU) HVAC systems, which operate in discrete modes ,e.g., multiple heating/cooling stages and an ON/OFF fan control, posing challenges for continuous control strategies. In this Master’s thesis, we propose a decentralized mixed-integer model predictive control (MPC) framework for multi-zone commercial buildings Heating, ventilation, and air conditioning (HVAC) optimization. The control strategy is built upon a data-driven, physics-informed linear model trained using simulated or historical data, as well as forecasted external conditions. By leveraging the mixed-integer decentralized MPC formulation, the approach is scalable and compatible with existing RTU systems, avoiding the need for costly infrastructure upgrades. Finally, the proposed method is validated in a building simulation environment, considering Time-of-Use, Critical Peak Pricing, and Real-Time Pricing rate structures. The results demonstrate that the optimization-based controller, in both its centralized and decentralized forms for the two-zone building, outperforms the benchmark bang-bang control strategy. While the centralized controller applied to the five-zone building shows limited scalability, it still yields improved performance compared to the bang-bang baseline.