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

Resumo Técnico: Sensoriamento, Modelagem e Identificação de Assinaturas de Carga de Sistemas de HVAC em Estações de Metrô

Definição do Problema
Os sistemas de metrô são grandes consumidores de energia, com os subsistemas de Aquecimento, Ventilação e Ar Condicionado (HVAC) respondendo por mais de 40% do uso total de energia durante as estações de verão. As estratégias atuais de controle de HVAC em linhas de metrô estabelecidas dependem frequentemente de regras simples baseadas no tempo ou respostas passivas, devido à dificuldade em estimar cargas de aquecimento e resfriamento dinâmicas. Essas cargas são altamente variáveis, impulsionadas por fluxos de passageiros, ventos de pistão provenientes dos trens, temperaturas externas flutuantes e estruturas subterrâneas complexas. Os modelos existentes de estimativa de carga de edifícios, que se baseiam em materiais de construção e equações empíricas de transferência de calor, falham em capturar a dinâmica única das estações de metrô, particularmente o impacto dos fluxos de passageiros e da aerodinâmica dos túneis. Esse descompasso entre carga e suprimento leva a um desperdício significativo de energia. O problema central abordado é a falta de um método eficaz para quantificar e identificar as "assinaturas de carga" — as quantidades específicas de calor importadas do ambiente externo e pelos passageiros — em tempo real para permitir políticas de controle otimizadas.

Metodologia
Os autores propõem uma abordagem inovadora de sensoriamento e aprendizado para identificar assinaturas de carga utilizando dados reais da estação de metrô HaiDianHuangZuang (Linha 4 de Pequim). A metodologia envolve três componentes principais:

1. Aquisição de Dados e Sensoriamento:

   • Sensores Ambientais: Implantados para monitorar temperaturas interna e externa ($T(t)$, $T_o(t)$), umidade e níveis de CO2.
   • Fluxo de Passageiros: Registrado via sistema de verificação de passagens ($n(t)$), calculado como a soma de passageiros que entraram e saíram.
   • Monitoramento de HVAC: Medidores inteligentes e sensores incorporados rastreiam o consumo de energia e os estados de funcionamento de refrigeradores, ventiladores, torres de resfriamento e bombas. Temperaturas de ar de retorno, ar de resfriamento, ar novo e ar misto são medidas, juntamente com as taxas de fluxo de água de resfriamento e diferenciais de temperatura.

2. Modelagem Matemática:

   • Modelo de Carga ($L(t)$): Definido como o calor total importado para a estação por unidade de tempo. É decomposto em dois componentes:
     • Carga Introduzida por Passageiros (PIL - Passenger Introduced Load): Calor gerado por passageiros, modelado como $c_p n(t) (T_p - T(t))$.
     • Carga Introduzida pelo Ambiente (EIL - Environment Introduced Load): Calor por condução através de paredes/tetos e infiltração de ar (vento de pistão), modelado como $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$.
   • Modelo de Suprimento ($S(t)$): Definido como a capacidade de resfriamento fornecida pelo sistema de HVAC. O modelo adapta-se a três modos de operação: Modo de Ar Novo (resfriamento de ar externo), Modo de Refrigerador (resfriamento mecânico) e Modo Misto. O suprimento de resfriamento é inferido a partir de leituras de sensores (diferenciais de temperatura da água, volumes de fluxo) e consumo de potência dos ventiladores (usando leis de afinidade de ventiladores para estimar o volume de ar).
   • Dinâmica Térmica: A variação na temperatura interna é modelada como a diferença entre carga e suprimento: $L(t) - S(t) = c M_z \Delta(t)$, onde $\Delta(t)$ é a mudança de temperatura ao longo do tempo.

3. Algoritmo de Identificação de Parâmetros:

   • O problema é formulado como uma regressão linear para identificar coeficientes desconhecidos ($c_p$, $\alpha$, $\beta_{ac}$) nas equações de carga e suprimento.
   • Para lidar com o ruído dos sensores e as restrições de não negatividade dos parâmetros físicos, os autores propõem um algoritmo de busca. Em vez de minimizar o erro absoluto, o algoritmo minimiza a diferença relativa entre a carga integrada e o suprimento integrado ao longo de um período.
   • Para mitigar ainda mais o ruído do sensor (especificamente nos cálculos de diferença de temperatura), o método utiliza valores integrados de carga e suprimento em vez de valores pontuais instantâneos.

Principais Contribuições

• Identificação Inovadora de Assinatura de Carga: O artigo apresenta uma abordagem baseada em dados para separar e quantificar as assinaturas térmicas específicas contribuídas pelo ambiente externo versus fluxos de passageiros em uma estação de metrô, um fator frequentemente negligenciado em modelos padrão de edifícios.
• Estrutura Integrada de Sensoriamento e Modelagem: Os autores integraram com sucesso fontes de dados heterogêneas (sistemas de bilhetagem, sensores ambientais e registros de energia de HVAC) para construir um modelo térmico abrangente.
• Estimativa Robusta de Parâmetros: Um algoritmo de busca específico é proposto para resolver o problema de otimização restrita, lidando com o ruído do sensor ao minimizar erros relativos de valores integrados em vez de valores instantâneos.

Resultados Experimentais
O modelo foi validado usando dados reais coletados de 21 a 23 de agosto de 2013, na estação HaiDianHuangZhuang.

• Assinaturas de Carga: As assinaturas derivadas revelaram que as cargas ambientais (diferenças de temperatura externa) constituem a maior parte da carga total, enquanto as cargas de passageiros, embora significativas durante as horas de pico, representam uma parte menor.
• Precisão do Modelo: O suprimento de resfriamento calculado coincidiu estreitamente com as assinaturas de carga derivadas. O erro relativo entre a carga integrada e o suprimento integrado foi pequeno, indicando que o algoritmo fornece uma estimativa confiável dos parâmetros de carga.
• Padrões Temporais: Os resultados confirmaram padrões de carga distintos correspondentes às horas de pico (picos matinais e vespertinos impulsionados pelo fluxo de passageiros) e ciclos diários de temperatura.

Significância e Alegações
O artigo afirma que identificar essas assinaturas de carga fornece o contexto crítico para o design de políticas de controle inteligentes e otimizadas. Ao compreender as contribuições específicas dos passageiros e do ambiente para a carga térmica, os sistemas de HVAC podem ser controlados para fornecer apenas os esforços de resfriamento necessários para atender às demandas previstas. Esta abordagem visa manter o conforto térmico interno enquanto otimiza significativamente o consumo de energia. Os autores afirmam que este trabalho estabelece a base para pesquisas futuras em estratégias de controle otimizado para sistemas de HVAC de metrô, indo além de simples regras baseadas no tempo para um controle preditivo baseado em dados.