Reducing Building Heat Demand Through Intelligent Control: A Comparative Simulation Study

Resumo Técnico: Redução da Demanda de Aquecimento de Edifícios através de Controle Inteligente

Definição do Problema
O aquecimento de espaços constitui o consumo de energia dominante em edifícios. Embora o retrofit estrutural reduza efetivamente a demanda, ele é frequentemente dispendioso e demorado. A literatura existente sugere que a substituição de controladores convencionais de compensação climática (controladores de curva de aquecimento) por estratégias inteligentes de Controle Preditivo Baseado em Modelo (MPC) pode reduzir significamente a energia de aquecimento. No entanto, a maioria dos estudos compara o MPC contra métodos de controle convencionais. Existe uma lacuna na compreensão de como a formulação específica da função objetivo do MPC influencia o equilíbrio entre o conforto térmico (rastreamento de temperatura) e a demanda de calor. Especificamente, não está claro se priorizar o rastreamento rigoroso da temperatura versus minimizar a potência de aquecimento gera resultados de energia diferentes.

Metodologia
O estudo emprega uma abordagem de simulação comparativa usando um modelo de edifício virtual para gerar dados sintéticos de alta resolução.

• Planta Virtual: Um modelo térmico de edifício detalhado baseado na norma ISO 52016-1 foi implementado em Python para simular um edifício residencial de dois andares e 100 m² em Zurique, Suíça, ao longo de um período de três meses (janeiro–março de 2020). Este "modelo ISO" gerou dados de medição sintéticos usando entradas climáticas e um controlador de aquecimento linear simples.
• Modelo do Controlador Interno: Um modelo de Resistência-Capacitância (RC) de nó único simplificado (1-R-1-C) foi parametrizado usando os dados sintéticos do modelo ISO. Este modelo RC serve como o modelo de planta interna para o controlador MPC, implementado em MATLAB.
• Simulação MPC: Duas estratégias distintas de MPC foram simuladas ao longo de um período de 144 horas (6 dias) utilizando o MATLAB MPC Toolbox. Ambas as estratégias utilizaram o mesmo horizonte de predição (12 horas), horizonte de controle (12 horas) e restrições físicas (limites de potência de aquecimento, limites de temperatura). Elas diferiram unicamente em seus pesos da função objetivo quadrática:
  • Simulação A (Minimização de Potência): Priorizou a minimização da potência de aquecimento ($w_{\dot{Q}_h}=1, w_{T_i}=0$).
  • Simulação B (Rastreamento de Conforto): Priorizou o rastreamento da temperatura de referência da sala ($w_{\dot{Q}_h}=0, w_{T_i}=1$).
  • Ambas mantiveram uma temperatura de referência de 20,0°C (18,0°C à noite) e respeitaram os limites de conforto ($T_{ref} \pm 0,5^\circ\text{C}$ até $+5,0^\circ\text{C}$).

Principais Resultados
Os resultados da simulação ao longo de seis dias revelaram características de desempenho distintas entre as duas estratégias:

• Conforto Térmico: A Simulação B (rastreamento de conforto) alcançou uma regulação de temperatura superior com um Erro Quadrático Médio (RMSE) de 0,30°C, comparado a 0,82°C para a Simulação A.
• Dinâmica de Potência de Aquecimento: A Simulação A evitou valores extremos de potência de aquecimento, nunca excedendo 7,1 kW. Em contraste, a Simulação B utilizou frequentemente a potência máxima permitida de 10 kW para corrigir desvios de temperatura rapidamente.
• Consumo de Energia: Contra-intuitivamente, a Simulação A (minimização de potência) resultou em uma demanda de energia de aquecimento cumulativa maior (603 kWh) do que a Simulação B (590 kWh). A Simulação B alcançou uma redução de 2% no uso total de energia, apesar de utilizar maiores picos de potência.
• Restrições: Ambas as estratégias aderiram com sucesso a todas as restrições de potência de aquecimento e temperatura definidas.

Significância e Alegações
O artigo afirma que a escolha da formulação da função objetivo é um determinante crítico do desempenho do sistema em controles de edifícios baseados em MPC.

• Novidade: O estudo destaca que, embora o MPC seja tipicamente formulado para minimizar custo ou energia, aplicá-lo unicamente para o rastreamento de setpoint (Simulação B) é uma abordagem incomum que rendeu resultados inesperados.
• Mecanismo de Economia de Energia: Os autores atribuem o menor consumo de energia do controlador de rastreamento de conforto à natureza quadrática da função objetivo de minimização de potência. Ao elevar ao quadrado o termo da potência de aquecimento, a função de custo penaliza desproporcionalmente altas taxas de potência, forçando o controlador a evitar entradas extremas. Essa evasão leva a um perfil de aquecimento mais gradual e menos eficiente, que acaba consumindo mais energia total. Por outro outro lado, o controlador de rastreamento de conforto utiliza surtos de alta potência para manter um controle de temperatura rigoroso, o que se provou mais eficiente energeticamente neste contexto de simulação específico.
• Implicações: Os resultados sugerem que o MPC pode alcançar altos níveis de conforto térmico sem comprometer a demanda de energia e, potencialmente, até reduzindo-a, sem mudanças estruturais no envelope do edifício. No entanto, os autores observam modestamente que estas descobertas são específicas para o edifício virtual simulado e condições ambientais, e que a influência da formulação da função objetivo (por exemplo, usando objetivos não quadráticos ou minimização direta de energia) merece investigação adicional.