Sense, Model and Identify the Load Signatures of HVAC Systems in Metro Stations

Resumen Técnico: Detección, Modelado e Identificación de las Firmas de Carga de los Sistemas HVAC en Estaciones de Metro

Planteamiento del Problema
Los sistemas de metro son grandes consumidores de energía, con los subsistemas de Calefacción, Ventilación y Aire Acondicionado (HVAC) representando más del 40% del consumo total de energía durante las estaciones de verano. Las estrategias actuales de control de HVAC en líneas de metro establecidas suelen depender de reglas simples basadas en el tiempo o respuestas pasivas debido a la dificultad de estimar las cargas dinámicas de calefacción y refrigeración. Estas cargas son altamente variables, impulsadas por las fluctuaciones de las temperaturas exteriores, el flujo de pasajeros, los vientos de pistón provenientes de los trenes y las complejas estructuras subterráneas. Los modelos existentes de estimación de carga en edificios, que se basan en materiales de construcción y ecuaciones empíricas de transferencia de calor, no logran capturar la dinámica única de las estaciones de metro, particularmente el impacto de los flujos de pasajeros y la aerodinámica de los túneles. Este desajuste entre la carga y el suministro conduce a un desperdicio significativo de energía. El problema central abordado es la falta de un método efectivo para cuantificar e identificar las "firmas de carga" —las cantidades específicas de calor importadas del entorno exterior y por los pasajeros— en tiempo real para permitir políticas de control óptimas.

Metodología
Los autores proponen un novedoso enfoque de detección y aprendizaje para identificar las firmas de carga utilizando datos reales de la estación de metro HaiDianHuangZuang (Línea 4 de Beijing). La metodología involucra tres componentes principales:

1. Adquisición de Datos y Detección:

   • Sensores Ambientales: Desplegados para monitorear temperaturas interiores y exteriores ($T(t)$, $T_o(t)$), humedad y niveles de CO2.
   • Flujo de Pasajeros: Registrado a través del sistema de control de boletos ($n(t)$), calculado como la suma de pasajeros que han ingresado y han salido.
   • Monitoreo de HVAC: Medidores inteligentes y sensores integrados rastrean el consumo de energía y los estados de funcionamiento de refrigeradores, ventiladores, torres de enfriamiento y bombas. Se miden las temperaturas de aire de retorno, aire de enfriamiento, aire nuevo y aire mezclado, junto con los caudales de agua de enfriamiento y los diferenciales de temperatura.

2. Modelado Matemático:

   • Modelo de Carga ($L(t)$): Definido como el calor total importado a la estación por unidad de tiempo. Se descompone en dos componentes:
     • Carga Introducida por Pasajeros (PIL): Calor generado por los pasajeros, modelado como $c_p n(t) (T_p - T(t))$.
     • Carga Introducida por el Entorno (EIL): Calor por conducción a través de paredes/techos e infiltración de aire (viento de pistón), modelado como $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$.
   • Modelo de Suministro ($S(t)$): Definido como la capacidad de enfriamiento proporcionada por el sistema HVAC. El modelo se adapta a tres modos de operación: Modo de Aire Nuevo (enfriamiento de aire exterior), Modo de Refrigerador (enfriamiento mecánico) y Modo Mixto. El suministro de enfriamiento se infiere de las lecturas de los sensores (diferenciales de temperatura del agua, volúmenes de flujo) y el consumo de potencia de los ventiladores (utilizando las leyes de afinidad de los ventiladores para estimar el volumen de aire).
   • Dinámica Térmica: La variación en la temperatura interior se modela como la diferencia entre la carga y el suministro: $L(t) - S(t) = c M_z \Delta(t)$, donde $\Delta(t)$ es el cambio de temperatura en el tiempo.

3. Algoritmo de Identificación de Parámetros:

   • El problema se formula como una regresión lineal para identificar coeficientes desconocidos ($c_p$, $\alpha$, $\beta_{ac}$) en las ecuaciones de carga y suministro.
   • Para abordar el ruido de los sensores y las restricciones de no negatividad de los parámetros físicos, los autores proponen un algoritmo de búsqueda. En lugar de minimizar el error absoluto, el algoritmo minimiza la diferencia relativa entre la carga integrada y el suministro integrado durante un período de tiempo.
   • Para mitigar aún más el ruido de los sensores (específicamente en los cálculos de diferencia de temperatura), el método utiliza valores integrados de carga y suministro en lugar de valores puntuales instantáneos.

Contribuciones Clave

• Identificación Novedosa de la Firma de Carga: El artículo presenta un enfoque basado en datos para separar y cuantificar las cargas térmicas específicas contribuidas por los entornos exteriores frente a los flujos de pasajeros en una estación de metro, un factor que a menudo se pasa por alto en los modelos estándar de edificios.
• Marco Integrado de Detección y Modelado: Los autores integraron con éxito fuentes de datos heterogéneas (sistemas de boleto, sensores ambientales y registros de energía de HVAC) para construir un modelo térmico integral.
• Estimación Robusta de Parámetros: Se propone un algoritmo de búsqueda específico para resolver el problema de optimización restringida, manejando el ruido de los sensores mediante la minimización de los errores relativos de los valores integrados en lugar de los valores instantáneos.

Resultados Experimentales
El modelo fue validado utilizando datos reales recolectados del 21 al 23 de agosto de 2013, en la estación HaiDianHuangZuang.

• Firmas de Carga: Las firmas derivadas revelaron que las cargas ambientales (diferencias de temperatura exterior) constituyen la mayor parte de la carga total, mientras que las cargas de pasajeros, aunque significativas durante las horas pico, representan una porción menor.
• Precisión del Modelo: El suministro de enfriamiento calculado coincidió estrechamente con las firmas de carga derivadas. El error relativo entre la carga integrada y el suministro integrado resultó ser pequeño, lo que indica que el algoritmo proporciona una estimación confiable de los parámetros de carga.
• Patrones Temporales: Los resultados confirmaron distintos patrones de carga correspondientes a las horas pico (picos de la mañana y la tarde impulsados por el flujo de pasajeros) y los ciclos diarios de temperatura.

Significancia y Reivindicaciones
El artículo sostiene que la identificación de estas firmas de carga proporciona un contexto crítico para el diseño de políticas de control inteligentes y óptimas. Al comprender las contribuciones específicas de los pasajeros y el entorno a la carga térmica, los sistemas HVAC pueden controlarse para suministrar solo los esfuerzos de enfriamiento necesarios para satisfacer las demandas previstas. Este enfoque tiene como objetivo mantener el confort térmico interior mientras se optimiza significamente el consumo de energía. Los autores afirman que este trabajo sienta las bases para futuras investigaciones sobre estrategias de control óptimo para los sistemas HVAC de metro, yendo más allá de las simples reglas basadas en el tiempo hacia un control predictivo basado en datos.