Energy efficient and reliable control of supermarket refrigeration systems
Authors
Kujawski, Michal ; Aslam, Waleed
Term
4. Term
Publication year
2024
Submitted on
2024-06-03
Pages
110
Abstract
Supermarket refrigeration uses a lot of electricity, but the stored food also acts as a thermal buffer. This makes it possible to shift when cooling happens to take advantage of changing electricity prices. Any such strategy must keep food within safe temperature limits. This thesis presents two model predictive control (MPC) schemes that schedule refrigeration under time-varying prices and examine how reliable they are if a temperature sensor fails. MPC is a control method that forecasts system behavior and chooses actions that meet goals while respecting constraints such as food temperature. Because first-principles models of these systems are hard to build and maintain, the work develops data-driven prediction models for compressor power and evaporation temperature using a variant of Dynamic Mode Decomposition (DMD) and neural networks. To train the models and test the controllers, a digital twin of a supermarket refrigeration system provided by Danfoss is used. In simulation, the developed neural-network model combined with the proposed control schemes reduces energy costs by about 6.8% to 14.1%, depending on the scenario.
Supermarkeders køleanlæg bruger meget strøm, men de lagrede varer fungerer også som en termisk buffer. Det gør det muligt at flytte, hvornår der køles, for at udnytte svingende elpriser. En sådan strategi skal dog sikre, at varerne forbliver inden for sikre temperaturgrænser. Denne afhandling præsenterer to modelprædiktive styringsskemaer (MPC), som planlægger kølingen efter tidsvarierende elpriser og vurderer, hvor pålidelige de er, hvis en temperaturføler fejler. MPC er en styringsmetode, der forudsiger systemets udvikling og vælger handlinger, som opfylder målene og samtidig overholder begrænsninger som f.eks. fødevaretemperatur. Da først-princip-modeller af disse anlæg er vanskelige at opbygge og vedligeholde, udvikles datadrevne forudsigelsesmodeller for kompressorernes effektforbrug og fordampningstemperaturen ved hjælp af en variant af Dynamic Mode Decomposition (DMD) og neurale netværk. Til at træne modellerne og teste styringerne anvendes en digital tvilling af et supermarkeds køleanlæg stillet til rådighed af Danfoss. Resultaterne viser, at den udviklede neurale netværksmodel kan bruges sammen med de foreslåede styringsskemaer til at reducere energiomkostningerne med cirka 6,8 % til 14,1 %, afhængigt af scenariet.
[This apstract has been rewritten with the help of AI based on the project's original abstract]