Driftsoptimering af fjernvarmebrugerinstallationer

Målet med dette forprojekt har været at anvende en kombination af et neurale netværk og en fjernvarmemåler til styring af brugerinstallationer. Der er blevet udviklet to forskellige neurale netværksløsninger NN og NNPIFF.

Projektbeskrivelse
Projektet gennemføres som et forprojekt. Forprojektets formål er at eftervise, at en kombination af en fjernvarmemåler og et neuralt netværk er velegnet til styring og regulering af fjernvarme-brugerinstallationer. Efter valg af et relevant neuralt netværk indbygges nogle konkrete, simplificerede styrings-muligheder i en fjernvarmemåler. Ved at udnytte erfaringer fra opsamlede drifts- og forbrugsdata får måleren mulighed for at styre brugerinstallationen, og efter en vis træning" skal måleren kunne vælge den mest energioptimale løsning ud fra en given situation. Måleren afprøves derefter i en passende forsøgsinstallation. Der suppleres evt. med en passende prognosemodel, således at der også kan tages hensyn til en forventet kommende situation. Forprojektet vil dermed kunne danne grundlag for udvikling af en egentlig fjernvarmemåler med indbygget selvlærende styrings- og reguleringsegenskaber. Måleren påregnes umiddelbart beregnet på større energikrævende installationer, men forventes på sigt også at være fordelagtig ved mindre anlæg, ligesom de styringsmæssige principper også vil kunne anvendes andet steds i forsyningssystemet
Resultater

NN er en ren neural netværksløsning, og NNPIFF er en kombination af en NN-regulator og nogle andre reguleringsmekanismer, dvs. en rummodel og en radiatormodel samt en PI regulator og to 'feed-forward' regulatorer. NN-løsningen kan opbygges uden dybtgående viden om den pågældende bygning og dens installation, men kræver en forholdsvis stor træningsperiode og indlæring. NNPIFF har en mere kompleks opbygning, men skulle være lettere at træne og indlære. De to løsninger er efterfølgende blevet trænet op mod en simuleret rummodel, og begge regulatorer virkede velegnet til regulering af varmeinstallationer med henblik på samtidig at reducere energiforbrug og undgå energispidser. Der var ingen markante forskelle mellem effektiviteten af de to regulatorer, og der blev derfor valgt at satse på NN-regulatoren og at indbygge, indlære og afprøve denne i en konkret installation. Inden installation blev regulatoren dog lettere tilpasset, da der blev valgt at lade NN-regulatoren, der er indbygget i sammenhæng med måleren, spille sammen med en PI-regulator. Regulatoren blev kaldt MAK-regulatoren, hvor MAK står for en indlæringsmetode, der er Modelfri, Adaptiv, og Komfortbevarende. Dette betød, at NN-regulatoren ville få hele sin indlæring via sit virke i den konkrete installation, men i starten, hvor NN-regulatorens output ikke er pålidelig, vil PI-regulatoren overtage styringen. NN-regulatoren vil gradvis lære af PI-regulatoren og med tiden overtage den fulde styring. Fordelen med denne form for indlæring af regulatorens NN-del er, at indlæring sker i den aktuelle installation, uden at der er risiko for, at det går ud over brugernes komfort. Den installerede 'måler' var opbygget som en 'pc-løsning', dvs. hvor målerens hovedkomponenter omfattede en pc, to specialudviklede energimålere, en motorventil og et antal følere mv. Forsøgskørsler med MAK-regulatoren i en konkret installation har vist, at PI-delen af regulatoren er i stand til at regulere på måler-ventilkombinationen, og mens PI-regulatoren er i drift, har NN-delen af regulatoren mulighed for at blive oplært 'i baggrunden'. Testkørslerne har dog vist, at indlæring af NN-delen af regulatoren ikke har været tilstrækkelig for NN-regulatoren til selv at kunne overtage styring af måler-ventil kombinationen. De indledende afprøvninger af NN-regulatorerne med simuleret data viste gode resultater, men med hensyn til den praktiske afprøvning, træning og indlæring vurderes det, at der er behov for yderligere arbejde for at belyse, om det er trænings- og indlæringstiden alene, der har været for kort og/eller der er brug for en fintuning af NN-regulatorens input/output parametre og vægtninger

Key figures

Periode:
2000 - 2001
Bevillingsår:
2000
Egen finansiering:
1,22 mio.
Støttebeløb:
1,00 mio.
Støtteprocent:
45 %
Projektbudget:
2,22 mio.

Kategori

Oprindelig title
Driftsoptimering af fjernvarmebrugerinstallationer vha. selvlærende fjernvarmemåler - et forprojekt
Program
EFP
Fælles overordnet teknologiområde
Energieffektivitet
Projekttype
Udvikling
Journalnummer
1373/00-0064

Deltagere

Teknologisk Institut (Main Responsible)

Kontakt

Kontakperson
Drysdale, Andy
Adresse

Øvr. Partnere: