Model Predictive Control of Thermo-Hydraulic Systems Using Primal Decomposition

Sintesi Tecnica: Controllo Predittivo di Modello di Sistemi Termo-idraulici mediante Decomposizione Primitiva

Enunciato del Problema
La decarbonizzazione dell'approvvigionamento energetico globale, in particolare nei sistemi di riscaldamento e raffreddamento, richiede un miglioramento dell'efficienza operativa. Il Controllo Predittivo di Modello (MPC) offre una via per ottimizzare tali sistemi, ma dipende fortemente da modelli di sistema accurati. I sistemi termo-idraulici, come le reti di teleriscaldamento (DHN), sono tipicamente modellati utilizzando Volumi di Controllo (CV), risultando in sistemi descritti da equazioni differenziali-algebriche (DAE) a tempo continuo. Sebbene esistano framework automatizzati per generare MPC per tali sistemi, scalare questi approcci a reti di grandi dimensioni rimane una sfida computazionale. I metodi di ottimizzazione standard spesso faticano con la complessità introdotta dalla discretizzazione temporale di sistemi non lineari, in particolare quando metodi di discretizzazione di ordine superiore alterano la struttura del sistema o eliminano le proprietà bilineari richieste per una decomposizione efficiente.

Metodologia
Gli autori propongono un framework automatizzato per generare MPC per sistemi termo-idraulici modellati mediante CV. La metodologia consta di tre componenti principali:

1. Modellazione del Sistema: Il sistema è rappresentato da un modello dinamico generale in cui temperature e portate di massa sono governate da equazioni differenziali, mentre i vincoli idraulici e altre relazioni algebriche sono gestiti separatamente. Il modello assume proprietà del fluido costanti e variazioni di entalpia trascurabili dovute a variazioni di pressione.
2. Discretizzazione Temporale: Per garantire efficienza computazionale e preservare le proprietà strutturali del sistema, gli autori impiegano la differenziazione all'indietro di secondo ordine per la discretizzazione temporale. A differenza dei metodi di Taylor o Runge-Kutta, che possono introdurre termini non lineari complessi che oscurano la struttura del sistema, la differenziazione all'indietro mantiene una forma suscettibile di decomposizione. Ciò risulta in una rappresentazione a tempo discreto in cui, assumendo una portata di massa costante, la dinamica termica diventa lineare.
3. Decomposizione Primitiva (PD): L'innovazione centrale è l'applicazione della decomposizione primitiva per risolvere il problema di ottimizzazione risultante. L'approccio sfrutta la specifica struttura del modello separando il problema in un sottoproblema idraulico e un sottoproblema termico.
   • L'algoritmo aggiorna iterativamente le variabili primitive (portate di massa).
   • In ogni iterazione, risolve un problema di ottimizzazione idraulica per determinare stati e ingressi idraulici ottimali.
   • Successivamente, risolve un problema di ottimizzazione termica utilizzando le portate di massa aggiornate.
   • Le variabili primitive sono aggiornate utilizzando sottogradienti derivati dalla Lagrangiana del problema complessivo, impiegando una regola di passo decrescente per garantire la convergenza. Se sorge inammissibilità durante gli aggiornamenti, viene utilizzata una procedura di backtracking.

Contributi Chiave

• Flusso di Lavoro Automatizzato: Il documento presenta un flusso di lavoro completo per la generazione di MPC, integrando un modello dinamico generale per sistemi termo-idraulici, una procedura specifica di discretizzazione temporale basata sulla differenziazione all'indietro e una strategia di ottimizzazione scalabile.
• Scalabilità tramite Decomposizione: Il contributo principale è la dimostrazione che la decomposizione primitiva può essere applicata efficacemente a modelli termo-idraulici basati su CV. Disaccoppiando i vincoli idraulici e termici, il metodo mira a ridurre la complessità computazionale in sistemi su larga scala.
• Validazione: L'approccio è stato validato su un sistema di riscaldamento sotterraneo (rappresentativo di riscaldamento a pavimento o superfici libere dalla neve) con un numero variabile di tubi e volumi di controllo.

Risultati
Il PD-MPC proposto è stato confrontato con un MPC basato sul Metodo dei Punti Interni (IPM) standard utilizzando una simulazione di riferimento Dymola e un'implementazione personalizzata in Matlab.

• Accuratezza: Il modello discretizzato in Matlab ha mostrato un'alta accuratezza rispetto al benchmark Dymola, con errori massimi di 0,473 K per i CV del suolo e 0,936 K per i CV dei tubi (riducibili a 0,23 K con passi temporali più piccoli).
• Prestazioni Computazionali:
  • Per sistemi piccoli (1 tubo), l'IPM è stato più veloce (1,18 s contro 6,03 s per passo temporale).
  • Per sistemi medi (2 tubi), il PD-MPC ha mostrato un vantaggio significativo (7,81 s contro 12,51 s).
  • Per sistemi grandi (7 tubi), il PD-MPC ha dimostrato una scalabilità superiore, riducendo il tempo di calcolo da 3706 secondi (IPM) a 124,29 secondi (PD), una riduzione a circa il 3,35% del tempo IPM.
• Valore dell'Obiettivo: Sebbene l'IPM abbia generalmente raggiunto valori dell'obiettivo (costi) leggermente inferiori, la differenza è stata marginale per i sistemi più piccoli (quasi uguali per 1 e 2 tubi) e circa il 17,2% più alta per il sistema a 7 tubi. Gli autori notano che il PD-MPC ha controllato con successo il sistema per sfruttare le fluttuazioni dei prezzi dell'elettricità e minimizzare i costi operativi.

Significato e Affermazioni
Il documento afferma che l'approccio proposto migliora significativamente la scalabilità dell'MPC per sistemi termo-idraulici rispetto ai metodi di ottimizzazione monolitici standard. Gli autori affermano che, sfruttando la struttura del modello attraverso la decomposizione primitiva, diventa fattibile controllare reti su larga scala che altrimenti sarebbero computazionalmente proibitive.

Gli autori mantengono una posizione modesta riguardo all'ambito attuale del loro lavoro. Riconoscono che l'assunzione di proprietà del fluido costanti è una semplificazione e che l'incorporazione di proprietà dipendenti dalla temperatura migliorerebbe l'accuratezza. Inoltre, affermano che una valutazione completa dei benefici richiede configurazioni di sistema più avanzate che tengano conto delle incertezze di previsione. Il documento conclude che, sebbene l'approccio PD offra una strada promettente per la scalabilità, è necessario un lavoro futuro per fornire una valutazione robusta attraverso confronti con altri framework MPC automatizzati e analisi di sistema più sofisticate.