Prognoseregulering av kjølesystemer for norske kontorbygg

Denne oppgaven omtaler ulike modelleringsstrategier for prediksjon av kjølebehov for bruk av prognose modellregulering(MPC) av kjølesystemer i kontorbygg. Ved å predikere kjølebehovet er det mulig å optimalisere reguleringen av kjølesystemer og redusere bruken av energi til kjøling. Energibruk til kjøling i norske kontorbygg har økt de siste ti årene . Samtidig er presset fra offentlige myndigheter om redusert energibruk i byggesektoren aldri har vært større. Prediksjon av kjølebehov gir muligheter til å produsere energi til kjøling på et tidspunktet før kjølebehovet inntreffer. Samtidig muliggjør det utnyttelse av mer optimale kjølesystemer og nøyaktig regulering. For MPC av kjølesystemer er det mulig bruke vær-, kjølefaktor-, energipris- og internlastprognose og forutse utviklingen til kjølebehovet frem i tid. Kjølebehovet avhenger i stor grad av værforholdene. Derfor er det motiverende at værprognoser fra metrologiske institutt har aldri vært bedre. Samtidig er energiprisprognose lett tilgjengelig fra Nord Pool som gir indikasjoner på når det er økonomisk gunstig å produsere energi til kjøling. Kombinasjonen av kjølemaskin og lager kan være et fornuftig kjølesystem for prognose modellregulering. Dette fordi lageret kan fungere som buffer i perioder der det er gunstig å produsere mens behovet er lavt. I tillegg ved bruk av MPC er det mulig å oppnå lavere reguleringstap og mer nøyaktig regulering. I MPC oppdateres prognosen i faste intervaller, eksempelvis hver time, for å korrigere for eventuelle feil. For optimal MPC er det avgjøreende å ha treffsikre systemmodeller for prediksjon. I den anledning har fire modeller blitt analysert med hensyn på treffsikkerhet, \say{Normalized root mean square error} NRMSE. De fire modellene er basert på bygningskroppen til ett standardisert kontorbygg. Disse er alle modellert for å predikere kjølebehovet til bygget. Det har blitt programmert en grå-boks modell i form av ett termisk nettverk. Grå-boks modellene benytter seg av fysiske prinsipper og målt bygningsdata. Videre har det blitt utviklet tre nevrale nettverk innenfor svart-boks metoden. Disse benytter seg av maskinlæringsteknikk og er avhengige av input- og outputen til det som modelleres og trenes basert på store mengder måledata fra bygget. Felles for de nevrale nettverkene viste seg å være høy treffsikkerhet for lengre treningsperioder, jo større mengde data dess bedre prediksjon av kjølebehov. Det termiske nettverket viste det motsatte. Samtidig kom det frem at de flerlagsforovernettverket(FN) fikk høyest NRMSE. I analyse av prediksjonen til FN ble forenklet MPC av kjølebehov utviklet med betingelser for maksimal effektkapasitet og minimal innetemperatur for kjølebehov. Det interessante ved prediksjonene til FN nettverket var at en typisk \say{gjennomsnittlig dag} i vår- og sommermånedene ga høyere NRMSE enn dag med maksimalt kjølebehov og solstråling. Avvikende tilstand ga lavere treffsikkerhet. Uavhengig av dette ser det like vel ut til at FN modellen har høyest presisjon i sin prediksjon av kjølebehov, med hele NRMSE på ca 95 prosent. Dette gjør at med de forutsetningene som er tatt i analysen konkluderes det med at kjølebehovet til ett standardisert kontorbygg kan predikeres med høy treffsikkerhet. Dette gjør kjølesystemer regulert med MPC kan ha mulighet til å utnytte presise prediksjoner og forutse utviklingen til byggets kjølebehov frem i tid