Ανάπτυξη Μεθοδολογίας Βελτιστοποίησης Θερμικής Άνεσης και Αξιοποίησης ΑΠΕ

Abstract

Η εργασία διερευνά ένα ολοκληρωμένο, pipeline για διαχείριση και προγραμματισμό θερμικής αντλίας για τις επόμενες 24ώρες. Συνδυάζει αποδιαχωρισμό φορτίου, πρόβλεψη συνθηκών άνεσης και βελτιστοποίηση προγραμμάτων λειτουργίας με στόχο τη μεγιστοποίηση της θερμικής άνεσης, ή την αύξηση της αυτοκατανάλωσης από Φ/Β χωρίς θυσία της θερμικής άνεσης και με σεβασμό στην ιδιωτικότητα. Η ροή predict-then-optimize περιλαμβάνει: προεπεξεργασία & engineering χαρακτηριστικών, εμπλουτισμό με δείκτες PMV/PPD, και μη επιβλεπόμενη αποσύνδεση του HVAC από το συνολικό φορτίο μέσω ουδέτερων ημερών, γραμμής βάσης και κατωφλίωσης υπολειμμάτων σε καταστάσεις off/low/high. Σε πρώτο σκέλος χρησιμοποιούνται διάφορα μοντέλα μηχανικής μάθησης για πρόβλεψη θερμοκρασίας και σχετικής υγρασίας ενός dataset φοιτητικής εστίας που καλύπτει 7 μήνες. Η υλοποίηση προβλέπει και 24ωρη χρονοσείρα η οποία χρησιμοποιείται για να εξασφαλιστεί η θερμική άνεση με βάση ένα προτεινόμενο πρόγραμμα της αντλίας για την επόμενη μέρα. Πάνω στις προβλέψεις εφαρμόζονται δύο επίπεδα βελτιστοποίησης: (α) Γενετικός Αλγόριθμος για μέγιστοποίηση της άνεσης και (β) MILP για αύξηση αυτοκατανάλωσης μέσω ενέργειας που παράγουν τα φωτοβολταϊκά, διατηρώντας την θερμική άνεση σε ικανοποιητικά επίπεδα. H βελτιστοποίηση παράγει υψηλότερα ποσοστά άνεσης και καλύτερη επικάλυψη HVAC×PV στις περισσότερες ημέρες, με σαφή βελτίωση θερμοκρασίας και σχετικής υγρασίας έναντι της μη βελτιστοποιημένης λειτουργίας. Συμπερασματικά, η παρούσα διπλωματική εργασία αναδικνύει την αποτελεσματικότητα της μηχανικής μάθησης στο πεδίο της ενέργειας, φωτίζοντας τον δρόμο για ένα μέλλον με περισσότερη βάση στις ανανεώσιμες πηγές ενέργειας, καθώς και τη συνεισφορά στην αυτοματοποιημένη βελτιστοποίηση της άνεσης ενός νοικοκυριού.