Titelaufnahme

Titel
Cooperative fuzzy model predictive control of a multi-zone office building / von Michaela Killian
Weitere Titel
Kooperative Fuzzy modellprädiktive Regelung eines Mehrzonen-Bürogebäudes
VerfasserKillian, Michaela
Begutachter / BegutachterinKozek, Martin
ErschienenWien, 2016
Umfangvi, 83 Blätter : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Univ., Dissertation, 2016
Anmerkung
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
Zusammenfassung in deutscher Sprache
SpracheEnglisch
DokumenttypDissertation
Schlagwörter (DE)Kooperative Fuzzy modellprädiktive Regelung / Gebäudeautomatisierung / nichtlineare Systemidentifikation
Schlagwörter (EN)cooperative fuzzy model predictive control / building automation / nonlinear system identification
URNurn:nbn:at:at-ubtuw:1-206 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Cooperative fuzzy model predictive control of a multi-zone office building [17.23 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die vorliegende Dissertation gibt einen Überblick über die Ergebnisse eines Projektes an der Technischen Universität Wien seit 2012. Die enthaltenen Veröffentlichungen sind im Laufe eines Kooperationsprojektes zwischen dem Institut für Mechanik und Mechatronik (Abteilung für Regelungstechnik und Prozessautomatisierung), der FH Joanneum Kapfenberg als Forschungspartner und der evon-automation GmbH, Gleisdorf als Industriepartner entstanden. Das Projekt wurde von der Österreichischen Forschungsförderungsgesellschaft (FFG Nr. 832103) gefördert. Energieeinsparung in Bürogebäuden ist ein aktuelles Thema, welches in dieser Arbeit behandelt wird. Der Schwerpunkt liegt auf der Entwicklung neuer Methoden für intelligente und energieeffiziente Gebäuderegelungen, welche mit neuen modellprädiktiven Regelungsstrategien umgesetzt wurden. Darüber hinaus konnte die erste Inbetriebnahme in einem realen Gebäude mit sehr guten Ergebnissen abgeschlossen werden. In dieser Dissertation wird ein nichtlineares modellprädiktives Regelungskonzept für komplexe Bürogebäude präsentiert. Die Auflösung widersprüchlicher Optimierungsziele, wie die Maximierung des Benutzerkomforts und die Minimierung des Energieverbrauchs, stellt in der Gebäudeautomatisierung die größte Herausforderung dar. Modellprädiktive Regelung (MPC) ist in der Lage diese kontroversen Ziele zu lösen, indem sie Wettervorhersagen und/oder Belegungsinformationen berücksichtigt. Da die Dynamik in Gebäuden nichtlinear ist, ist für die Regelung ein geeignetes Modell notwendig. In dieser Arbeit wird das nichtlineare Gebäudemodell durch ein datenbasiertes Black-Box Modell dargestellt, welches direkt für die MPC Auslegung verwendet werden kann. Das komplexe nichtlineare Optimierungsproblem wurde in mehrere weniger komplexe Teilprobleme (Gebäudezonen) aufgeteilt. Jede Zone wird unabhängig von den anderen mit einem individuellen nichtlinearen MPC (Fuzzy MPC - FMPC) geregelt. Wegen einer Betonteilaktivierung im Gebäude existieren Kopplungen zwischen den Zonen, somit ist das globale Ziel, eine kooperative Lösung zwischen den Zonen zu finden. Dieses Problem führt zu einer Kooperation der FMPCs, somit zu einem kooperativen Fuzzy MPC (CFMPC), wobei eine unterliegende Iterationsschleife Konvergenz garantiert. Für den CFMPC wurde Stabilität des geschlossenen Regelkreises und Konvergenz der kooperativen Iterationsschleife nachgewiesen. Darüber hinaus ist dieses Konzept allgemein für komplexe Bürogebäude geeignet, da es in der Lage ist optimal mit Beschränkungen sowie mit Störungen umzugehen.

Zusammenfassung (Englisch)

The present PhD Thesis provides an overview on the results of a research project at the Vienna University of Technology since 2012. The publications originated in the course of a cooperation project between the Institute of Mechanics and Mechatronics (Division of Control and Process Automation), the FH Joanneum Kapfenberg (University of applied science) as research partner, and evon-automation GmbH, Gleisdorf as industrial partner. The project has been funded by the Austrian Research Promotion Agency (FFG No. 832103). A contemporary issue of potentials for saving energy in buildings is discussed in this work. The research was focused on the development of new methodologies for smart and energy-efficient building automation systems. In this context a new nonlinear model predictive control strategy has been developed for a specific building. Moreover, the commissioning in a this real building succeeded with excellent results. In this PhD Thesis a nonlinear model predictive control (MPC) concept for complex office buildings is presented. Conflicting optimization goals naturally arise in buildings, where the maximization of user comfort versus the minimization of energy consumption poses the main challenge. MPC technologies are able to reduce the energy demand while increasing the user comfort, by taking weather predictions and/or occupancy information into account. Dynamic thermal behavior of buildings is typically nonlinear, thus, for controlling a suitable model is necessary. In this work the overall nonlinear building model is a data-driven black-box model, which can be directly used for controller design. The proposed modeling approach is applicable for other complex buildings. For the demonstration building the complex nonlinear optimization problem has been split into a set of less complex subproblems (different building zones). For each zone an independent nonlinear MPC (fuzzy MPC - FMPC) is designed. Because of an integrated thermal activated building system couplings between different zones occur, thus, the optimization goal is to find a cooperation between the zones. The overall problem formulation leads to a cooperation of the FMPCs, to a cooperative fuzzy MPC (CFMPC), where an underlying cooperative iteration-loop guarantees convergence. Closed-loop stability and convergence of the cooperative iteration-loop has been proven for the CFMPC concept. Additionally, this concept is suitable for complex multi-zone office buildings, as it can optimally deal with input and output constraints as well as with disturbances.