Nonlinear model predictive control of a combined power and district heating production portfolio

Petersen, Joakim Børlum

4. term

Control and Automation, Master

2017

2017-06-08

99

Dette speciale vurderer Nonlinear Model Predictive Control (NMPC) som metode til produktionsplanlægning og balanceregulering i en fiktiv portefølje med kombineret el- og fjernvarmeproduktion. NMPC sammenlignes med den simplere Linear Model Predictive Control (LMPC) i en komponentbaseret modelleringsramme. Model Predictive Control (MPC) planlægger fremtidige styrehandlinger for at minimere en økonomisk omkostning under fysiske begrænsninger. NMPC benytter en ikke-lineær model af systemet, mens LMPC bygger på en lineariseret model. At undgå linearisering kan bevare vigtige systemdetaljer og reducere manuelt forarbejde. Der blev opbygget en førsteprincip-baseret, ikke-lineær model af produktionsenheder og forbrugere i programmeringssproget Modelica med brug af dets komponentbaserede muligheder. Modellen blev dernæst lineariseret, så både en ikke-lineær model til NMPC og en lineær model til LMPC var til rådighed. I simuleringer opførte den lineære model sig overordnet som den ikke-lineære, men der var tydelige afvigelser, når en accumulator (en lagringsenhed) indgik i porteføljen. MPC-styringsskemaet bygger på en økonomisk målfunktion udledt af enkle økonomiske overvejelser om enhedsdrift og en simplificeret elmarkedsmodel. NMPC og LMPC løser samme optimeringsproblem og adskiller sig kun ved den dynamikmodel, der bruges i begrænsningerne. Da nogle forbrugertilstande ikke kan måles, blev der designet et Extended Kalman Filter (EKF) til at estimere hele systemets tilstand. Alle optimeringsproblemer blev løst med JModelica.org, som muliggør optimering direkte på Modelica-modeller. Oven på JModelica.org blev der udviklet en simuleringsramme, der kan køre både NMPC og LMPC. Simuleringerne viser, at NMPC udnytter accumulatoren mere aktivt. Ved lange forløb med historiske elpriser og udetemperaturer giver dette bedre performance. Konceptuelt anbefales det derfor at bruge ikke-lineære førsteprincip-modeller direkte i MPC.

This thesis evaluates Nonlinear Model Predictive Control (NMPC) as a way to plan production and maintain balance in a fictitious combined power and district heating portfolio. It compares NMPC with the simpler Linear Model Predictive Control (LMPC) in a component-based modeling setup. Model Predictive Control (MPC) plans future control actions to minimize an economic cost while obeying physical limits. NMPC uses a nonlinear model of the system, whereas LMPC relies on a linearized model. Avoiding linearization can preserve important system details and reduce manual pre-processing work. A first-principles nonlinear model of the production units and consumers was built in the Modelica language using its component-based features. The model was then linearized, yielding a pair of models for NMPC and LMPC. In simulations the linear model behaved similarly to the nonlinear one, but noticeable differences appeared when an accumulator (a storage unit) was part of the portfolio. The MPC scheme uses an economic cost function based on simple economic considerations of unit usage and a simplified power market. Both NMPC and LMPC solve the same optimal control problem; they differ only in the dynamics model used in the constraints. Because some consumer states are not measured, an Extended Kalman Filter (EKF) was designed to estimate the full system state. All optimal control problems were solved with JModelica.org, which enables optimization directly on Modelica models. A simulation framework was built on top of JModelica.org to run both NMPC and LMPC. Simulation studies show that NMPC exploits the accumulator more actively. Over long simulations with historical power prices and ambient temperatures, this leads to better performance. Conceptually, directly using first-principles nonlinear models in MPC is therefore encouraged.

[This abstract was generated with the help of AI]

NMPC ; production portfolio ; district heating ; power ; accumulator ; MPC ; direct collocation ; JModelica.org ; Modelica ; control ; modeling ; optimization ; optimal control ; Dymola

Download
View record in AAU Student Projects