[Back]

C. Dullinger, W. Struckl, M. Kozek:
"A general approach for mixed-integer predictive control of HVAC systems using MILP";
Applied Thermal Engineering, 128 (2018), 128; 1646 - 1659.

The topic of the paper is optimal control of heating, ventilation, and air conditioning (HVAC) systems. Using mixed-integer linear programming (MILP) the main contribution is a flexible and modular MILP model of HVACs. It is the centerpiece of the proposed hierarchical multi-input multi-output (MIMO) model predictive control (MPC) framework for energy, comfort, and wear optimization. On the upper-level a plant MPC takes care of the slow dynamics of a plant. On the lower-level a MILP-MPC based on a MILP optimization model of an HVAC system optimizes the HVAC operation. The MILP-MPC considers the first few samples of the control trajectory of the plant MPC as its reference trajectory. It minimizes power consumption and switching of the HVAC. Thereby it has to obey constraints, consider component characteristics by nonlinearity approximation, and solve a unit commitment problem. The fact that the plant MPC can be based on an almost arbitrary plant model and the MILP model of the MILP-MPC can represent a variety of different HVAC systems unifies HVAC control. Features and results are presented in case studies: The first case study shows that state of the art HVAC operation is outperformed even if the predictive capability is not used. The second case study demonstrates that temperature, CO2 level, and humidity can be controlled simultaneously in a decoupled fashion. The third case study reveals that if also the lower-level MILP-MPC oversees the latency periods of HVAC components optimal switching is achieved.

Das Thema der Publikation ist optimale Regelung von Klimaanlagen. Der Hauptbeitrag ist eine flexible und modulare "mixed-integer linear programming" (MILP) Formulierung von Klimaanlagen. Die MILP Formulierung einer Klimaanlage ist das Herzstück der präsentierten hierarchischen modelprädiktiven Mehrgrößenregelung für den energie-, komfort- und verschleißoptimalen Betrieb von Klimaanlagen. Auf der oberen Ebene kümmert sich ein sogenannter "plant MPC" um die langsamen Dynamiken einer thermischen Regelstrecke (z.B.: Passagierkabine). Auf der unteren Ebene optimiert der "MILP-MPC" basierend auf der MILP Formulierung einer Klimaanlage den Betrieb der Klimaanlage. Der "MILP-MPC" verwendet die ersten paar Samples der Stelltrajektorie des "plant MPC" als seine Referenztrajektorie. Er minimiert die elektrische Leistungsaufnahme und Schaltvorgänge der Klimaanlage. Dabei garantiert er die Einhaltung diverser Beschränkungen, berücksichtigt die Komponenteneigenschaften mittels Approximation der Nichtlinearitäten und löst ein sogenanntes "unit commitment problem". Die Tatsache, dass der "plant MPC" eine Vielzahl von Regelstrecken repräsentieren kann und die MILP Formulierung des "MILP-MPC" eine Vielzahl von Klimaanlagen abbilden kann, vereinheitlicht die Regelung von Klimaanlagen und macht die präsentierte Methode vielseitig anwendbar. Besondere Fähigkeiten und Ergebnisse der Regelung werden in Fallstudien präsentiert. Die erste Fallstudie zeigt, dass herkömmliche Regelstrategien übertroffen werden sogar wenn die prädiktive Fähigkeit der präsentierten Regelung nicht verwendet wird. Die zweite Fallstudie demonstriert, dass die Innenraumtemperatur, der CO2 Gehalt und die Luftfeuchtigkeit gleichzeitig in entkoppelter Weise geregelt werden können. Die dritte Fallstudie offenbart, dass wenn auch der "MILP-MPC" auf der unteren Ebene die Latenzzeiten der Klimaanlagenkomponenten überblickt, optimales Schalten erreicht wird.

HVAC control; operation optimization; modular HVAC; hierarchical MPC; HVAC MILP model; nonlinearity approximation

http://dx.doi.org/10.1016/j.applthermaleng.2017.09.104

Project Head Martin Kozek:
Gesamtenergetische Optimierung von Schienenfahrzeugen