Автоматизація процесу керування адаптивною системою переривчастого теплозабезпечення будинку на базі теплонасосної установки
dc.contributor.advisor | Волощук, Володимир Анатолійович | |
dc.contributor.author | Богза, Микола Сергійович | |
dc.date.accessioned | 2025-07-14T08:49:49Z | |
dc.date.available | 2025-07-14T08:49:49Z | |
dc.date.issued | 2025 | |
dc.description.abstract | Дисертація на здобуття наукового ступеню доктора філософії за спеціальністю 151 «Автоматизація та комп’ютерно-інтегровані технології». – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. У дисертаційній роботі запропоновано подальший розвиток підходу з автоматизації процесу керування адаптивною системою переривчастого теплозабезпечення будинку на базі теплонасосної установки (ТНУ) із застосуванням оптимальних уставок регулятора. Зокрема, визначено умови формування уставки для ПІД-регулятора з урахуванням змінного графіку обігріву будівлі, динаміки теплових режимів в будівлі та зовнішніх умов, що дозволяє підвищити енергоефективність системи теплозабезпечення. Розроблено математичну модель ТНУ, яка дає змогу досліджувати динамічні режими роботи системи теплозабезпечення під час переривчастого обігріву, зокрема при переході від нічного режиму зі зниженою уставкою до етапу ранкового розігріву, що забезпечує комфортну температуру на момент початку робочого дня. Запропоновано алгоритми оптимізації режимів роботи ТНУ, завдяки яким підвищується ефективність системи теплозабезпечення. Також запропоновано методологію інтеграції аналітичних та нейронних моделей ТНУ в середовище MATLAB/Simulink, що дає можливість прискорити процес моделювання системи у змінних умовах експлуатації. Досліджено вплив параметрів переривчастого обігріву на коефіцієнт перетворення (COP), споживання електроенергії ТНУ та комфортні температурні умови у будівлі. Результати дослідження демонструють, що застосування запропонованого підходу дозволяє мінімізувати споживання електроенергії ТНУ, забезпечити гнучке управління температурними режимами та оптимізувати енергоспоживання, що сприяє підвищенню загальної ефективності системи теплозабезпечення будинку. Перший розділ документа містить детальний опис проблематики та актуальності дослідження, присвяченого автоматизованому керуванню ТНУ у системах теплозабезпечення будівель. Основний акцент зроблено на необхідності підвищення енергоефективності за рахунок удосконалення алгоритмів керування, що дозволяють оптимізувати витрати електроенергії без втрати теплового комфорту. У вступній частині розглядається зростання попиту на енергоефективні технології в умовах глобальної тенденції до скорочення використання викопного палива. Особлива увага приділена впливу переривчастого режиму обігріву на зменшення енергоспоживання. Наголошено, що традиційні системи працюють у режимі постійного навантаження, що не завжди є доцільним, особливо в умовах змінних температурних умов та відсутності людей у будівлі в нічний час. Далі обґрунтовується необхідність використання математичних моделей для прогнозування та керування тепловими режимами в будівлі. Описано, що використання пакету Matlab, Simulink, Simscape для моделювання дозволяє створювати динамічні моделі, які враховують зміни умов навколишнього середовища, теплотехнічні характеристики огороджувальних конструкцій будівлі та динамічні процеси теплових режимів. У контексті формування керуючих алгоритмів підкреслюється важливість правильного вибору уставки температури в нічний час та випереджаючого прогріву, щоб до моменту початку робочого дня забезпечити комфортний тепловий режим всередині приміщення. Таким чином, перший розділ висвітлює основні виклики у сфері теплозабезпечення будівель, окреслює мету дослідження та обґрунтовує вибір методів та засобів для реалізації енергоефективного управління ТНУ. Другий розділ дисертації присвячений розробці аналітичної моделі ТНУ, яка є основним інструментом для дослідження її роботи, оцінки ефективності та оптимізації режимів експлуатації. У розділі розглядаються сучасні методи моделювання ТНУ, їхні переваги та недоліки, а також визначаються ключові етапи створення аналітичної моделі. Аналіз методів моделювання охоплює три основні підходи: аналітичні, емпіричні та гібридні моделі. Аналітичні моделі базуються на фізичних принципах, таких як закони термодинаміки, теплопередачі та гідродинаміки, що забезпечує високу точність, але вимагає значних обчислювальних ресурсів. Емпіричні моделі, побудовані на основі експериментальних даних, швидші у реалізації, але менш універсальні та менш адаптивні до змінних умов експлуатації. Гібридні моделі поєднують обидва підходи, дозволяючи отримати баланс між точністю та обчислювальною складністю, що робить їх найбільш перспективними для моделювання складних систем. Наступна частина розділу присвячена етапам створення аналітичної моделі ТНУ. Основою для моделювання є фундаментальні фізичні закони: збереження енергії, теплопередачі, рівняння стану та гідродинаміки потоків. Розробка аналітичної моделі включає математичний опис основних компонентів ТНУ: випарника, компресора, конденсатора та розширювального вентиля. Для кожного з них формулюються рівняння енергетичних балансів з використанням функціональних залежностей які визначають теплофізичні властивості робочих тіл. Особливу увагу приділено використанню програмного пакету CoolProp, який дозволяє точно розраховувати теплофізичні властивості робочих тіл, які використовуються в ТНУ. Інтеграція цього пакета в MATLAB/Simulink/Simscape забезпечує високу точність розрахунків у реальному часі, що критично важливо для динамічного моделювання. Детально розглядається алгоритм використання CoolProp для визначення теплофізичних параметрів робочих середовищ у різних компонентах ТНУ. Реалізація моделі в MATLAB включає розробку модульної структури, у якій окремі функціональні блоки описують роботу кожного елемента системи. Модель інтегрована в середовище Simulink, що дозволяє проводити симуляції динамічних режимів роботи ТНУ та аналізувати ефективність керування тепловими процесами. Для тестування та валідації використовуються експериментальні дані, що дозволяють оцінити похибку моделювання та перевірити адекватність отриманих результатів. Окремий підрозділ присвячений валідації моделі, яка включає порівняння розрахункових значень із експериментальними даними. Аналіз похибок показує, що модель має високу точність, особливо у номінальних і часткових режимах роботи. Висновки до розділу узагальнюють основні результати розробки аналітичної моделі ТНУ, підкреслюючи її практичну значущість для оптимізації режимів роботи такими установками. Зазначається, що модель може бути використана для розробки інтелектуальних алгоритмів керування, що дозволить підвищити енергоефективність системи. Водночас наголошується на її головному недоліку – значних обчислювальних витратах, що ускладнює використання моделі для довготривалих симуляцій. Тому в наступних дослідженнях передбачається заміна аналітичної моделі на модель машинного навчання. Третій розділ дисертації присвячений розробці та інтеграції моделі машинного навчання для ТНУ у середовище Simulink. Традиційні аналітичні моделі, незважаючи на свою точність, мають значні обмеження у швидкодії, що ускладнює їх використання для управління в реальному часі. Використання методів машинного навчання дозволяє зменшити обчислювальну складність та адаптувати модель до змінних умов. Ця методологія поєднує точність аналітичних моделей із швидкодією нейронних мереж, що робить її перспективним підходом до керування ТНУ. Одним із ключових етапів дослідження є вибір моделі машинного навчання. Було проведене порівняння двох підходів: алгоритму Random Forest і нейронної мережі LSTM. Алгоритм Random Forest є простішим у реалізації та менш вимогливим до даних, але він не враховує часових залежностей у роботі системи. Натомість LSTM дозволяє моделювати складні динамічні процеси та аналізувати змінні, що мають довгострокові залежності. Тестування показало, що LSTM значно перевершує Random Forest у точності прогнозування теплових режимів системи, хоча потребує більше обчислювальних ресурсів під час навчання. Розробка нейронної моделі передбачала кілька етапів: збір і підготовка тренувальних даних, вибір архітектури нейронної мережі, її навчання та подальша інтеграція у Simulink. Було використано великий обсяг даних, отриманих із аналітичної моделі ТНУ, що містили інформацію про температурні режими у випарнику, конденсаторі, компресорі, теплове навантаження та масову витрату теплоносія. Дані були нормалізовані та структуровані для ефективного навчання моделі. Вибір архітектури нейронної мережі зупинився на LSTM, оскільки цей тип мереж ефективно працює з часовими рядами. Модель складалася з одного прихованого шару з п’ятьма нейронами, що забезпечило баланс між швидкістю роботи та точністю прогнозування. Для запобігання перенавчанню використовувалися техніки регуляризації, зокрема ранній зупин. Оптимізація виконувалася за допомогою алгоритму Adam, а функцією втрат було обрано середньоквадратичну помилку. Після навчання модель була конвертована у формат, придатний для використання у Simulink. Це передбачало трансформацію нейронної мережі у C-код із використанням бібліотеки keras2c, що дозволило отримати компактний та швидкодіючий код. Подальша інтеграція моделі у Simulink виконувалася через S-функцію, яка забезпечила зв’язок між нейронною моделлю та моделями інших типів, створених вбудованими засобами Matlab/Simulink. Тестування інтегрованої моделі в середовищі Simulink підтвердило її ефективність. Було проведено порівняння трьох реалізацій: вихідної моделі на Python, її еквівалента на мові C та кінцевого блоку S-функції у Simulink. Всі три варіанти показали близькі результати за точністю, що свідчить про коректність перетворення та інтеграції моделі. Водночас значно покращилася швидкість обчислень: якщо модель у Python потребувала значного часу для кожної ітерації, то реалізація у C-коді дозволила суттєво прискорити процес, а блок S-функції забезпечив можливість роботи в реальному часі. Висновки розділу підкреслюють доцільність використання методів машинного навчання для оптимізації роботи ТНУ та синтезу систем управління. Запропонований підхід поєднує точність аналітичних моделей із продуктивністю нейронних мереж, що робить його ефективним інструментом для досліджень. Інтеграція моделі в Simulink відкриває нові можливості для оптимізації управління ТНУ, дозволяючи адаптувати систему до змінних умов експлуатації та прогнозувати її роботу з високою точністю. Майбутні дослідження можуть бути спрямовані на вдосконалення моделі, зокрема на її адаптацію до різних типів ТНУ та розширення можливостей керування за допомогою інтелектуальних алгоритмів. Четвертий розділ дисертації присвячений розробці моделі системи теплозабезпечення будинку. Основною метою цього етапу є створення загальної моделі, яка об’єднує ТНУ, систему опалення та будівлю. Така модель забезпечує відтворення динаміки теплових режимів у будинку, через вплив зовнішніх факторів та роботу системи теплозабезпечення. Також є можливість інтеграції різних алгоритмів керування та їх аналізу для оцінки ефективності та оптимізації роботи системи. Модель враховує конструктивні особливості будівлі, теплофізичні характеристики огороджувальних конструкцій, внутрішні джерела теплоти. Використання кліматичних даних які представлені типовим метрологічним роком, дає можливість дослідити динаміку теплового режиму будівлі впродовж опалювального сезону. Модель ТНУ реалізована на основі нейронної мережі LSTM дає можливість дослідити динаміку змін режимів роботи установки та системи теплозабезпечення загалом. Модель системи опалення побудована з урахуванням постійної витрати теплоносія та роботи за температурним графіком з метою підтримання в приміщеннях теплового комфорту. Одним із ключових етапів дослідження є узгодження теплових режимів моделі ТНУ з моделлю будинку. Цей процес передбачає зв’язок між фізичними параметрами системи, такими як температура теплоносія, теплове навантаження та зовнішні кліматичні умови. Температура води на виході з ТНУ та її масова витрата виступають вхідними параметрами для моделі будинку, яка, у свою чергу, генерує сигнал зворотного зв’язку для регулювання режиму роботи компресора. Таким чином, модель дає можливість дослідити взаємозв’язок між тепловим режимом будівлі та режимом роботи ТНУ, що є важливим для оцінки ефективності роботи системи та пошуку шляхів її оптимізації. Дослідження динамічних режимів роботи системи проводиться з використанням ПІД-регулятора, який забезпечує керування температурою теплоносія на виході з ТНУ. Регулятор визначає необхідне значення температури води залежно від зовнішніх умов, дозволяючи компенсувати теплові втрати та забезпечити стабільний тепловий комфорт у будівлі. Для реалізації цього алгоритму у MATLAB Simulink розроблено та налаштовано ПІД-контролер, який динамічно регулює параметри системи у відповідь на зміну навантаження. Результати тестування моделі підтвердили її ефективність. Виявлено, що впровадження ПІД-контролера дає можливість забезпечити точність регулювання температури, із максимальним відхиленням від уставки до 0,5°C, що є достатнім. Загалом, результати моделювання підтверджують високу точність розробленої інтегрованої моделі системи теплозабезпечення будівлі на базі ТНУ. Отримані дані можуть бути використані для подальшого вдосконалення алгоритмів керування, зокрема шляхом застосування прогнозуючих моделей із застосуванням машинного навчання для прогнозування теплових режимів та адаптивного регулювання роботи ТНУ. Таким чином, проведене дослідження дає можливість розвивати інтелектуальні системи теплозабезпечення, які орієнтовані на сучасні вимоги сталого розвитку та декарбонізації[1]. П’ятий розділ дисертації присвячено розробці та дослідженню алгоритмів керування переривчастим обігрівом на базі ТНУ. Основна увага приділена розробці адаптивних методів керування, які дають можливість зменшити енергоспоживання в нічний період за рахунок зниження температурної уставки, а також забезпечити необхідний рівень комфорту в приміщеннях до початку робочого дня шляхом завчасного переходу в режим розігріву. У розділі обґрунтовано актуальність досліджень у сфері енергоефективного управління теплозабезпеченням, зокрема враховуючи необхідність балансування між економією електроенергії та комфортом в приміщеннях. Розроблено математичні моделі для розрахунку оптимальних параметрів роботи ТНУ, що дає змогу ефективно адаптувати систему до змінних зовнішніх умов. Передбачено використання середовища моделювання MATLAB/Simulink для моделювання системи теплозабезпечення будинку з ТНУ. Використано модель будівлі з її теплофізичними характеристиками, модель ТНУ та алгоритм керування температурним режимом. Проведено численні сценарії моделювання для аналізу впливу температури нічної уставки та часу початку розігріву на загальне енергоспоживання та комфортні умови в будівлі. Результати досліджень показали значний потенціал переривчастого керування. Зокрема, оптимальні параметри керування, визначені для різних температур зовнішнього середовища, дають можливість досягти суттєвої економії енергії без погіршення теплового комфорту у приміщеннях. Аналіз показує, що із зростанням температури навколишнього середовища необхідний час розігріву зменшується, а температура нічної уставки може бути знижена без негативних наслідків для комфорту. Розроблено алгоритм переривчастого керування, що включає блоки збору даних, розрахунку оптимальних параметрів, адаптивного управління режимами роботи ТНУ та аналізу ефективності. Алгоритм реалізовано в MATLAB/Simulink, а результати моделювання свідчать про можливість зниження енергоспоживання системи до 18% у порівнянні з традиційними методами безперервного керування. У фінальній частині розділу представлено порівняльний аналіз ефективності безперервного та переривчастого режимів роботи ТНУ. Виявлено, що при переривчастому управлінні середня температура в приміщенні залишається в допустимих межах, а середня температура теплоносія зменшується, що знижує навантаження на обладнання та подовжує термін його служби. Таким чином, запропоновані алгоритми управління є ефективним рішенням для оптимізації енергоспоживання ТНУ у системах теплозабезпечення будівель. Наукова новизна отриманих результатів дисертаційної роботи заключається в наступному: виявлено і кількісно оцінено оптимальні значення параметрів переривчастого обігріву будинку на базі ТНУ, які забезпечують підвищення енергетичної ефективності системи керування теплозабезпеченням; вдосконалено систему керування переривчастим обігрівом теплозабезпечення будинку на базі ТНУ, яка враховує вплив температури зовнішнього середовища, прямої води в умовах зниженого теплового навантаження, прямої води в умовах розігріву, а також часу розігріву і дає можливість знизити споживання електроенергії ТНУ; удосконалено підходи до інтеграції аналітичних та нейронних моделей у середовищі MATLAB/Simulink за рахунок розроблення спеціальних алгоритмів, що суттєво зменшило затрати машинного часу для імітаційного моделювання динамічних процесів у системах теплозабезпечення; набули подальшого розвитку підходи до дослідження впливу типу робочого тіла на характеристики ТНУ за рахунок інтеграції бібліотек з дослідження властивостей робочих тіл в моделі ТНУ, що дало можливість оцінювати ефективність застосування нових типів робочих тіл (зокрема сумішей) на динамічну характеристики ТНУ. Отримані результати дисертаційної роботи мають і практичне значення, яке полягає в розробленні методики інтеграції складових системи теплозабезпечення — ТНУ, системи опалення та будівлі — в єдину комплексну модель; методики розробки нейронної моделі ТНУ, яка зберігає точність аналітичної моделі та при цьому істотно скорочує час обчислень, що дає можливість ефективно застосовувати її для динамічного керування системою теплозабезпечення; розроблені алгоритму переривчастого керування режимами роботи ТНУ, який мінімізує енерговитрати та забезпечує комфортний тепловий режим у будівлі. Разом з цим результати роботи використовуються в навчальному процесі кафедри автоматизації енергетичних процесів Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського». Це підтверджується відповідним чином оформленим актом (додаток Б). | |
dc.description.abstractother | Dissertation for the Awarding of the Degree of Doctor of Philosophy in the Specialty 151 “Automation and Computer-Integrated Technologies”. – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2025. In this dissertation, a further development of the approach for automating the control process of an adaptive intermittent heating system for a house based on a heat pump unit (HPU) using optimal controller setpoints is proposed. In particular, the conditions for forming the setpoint for the PID controller are determined by taking into account the building’s variable heating schedule, the dynamics of the internal thermal regimes, and the external conditions. This approach increases the energy efficiency of the heating system. A mathematical model of the HPU is developed, which enables investigation of the dynamic operating modes of the heating system during intermittent heating—specifically during the transition from a nighttime mode with a reduced setpoint to a morning preheating stage, ensuring a comfortable temperature at the start of the workday. Optimization algorithms for the operating modes of the HPU are proposed, thereby enhancing the system’s efficiency. A methodology for integrating analytical and neural network models of the HPU within the MATLAB/Simulink environment is also proposed. This integration accelerates the modeling process under varying operating conditions. The influence of intermittent heating parameters on the coefficient of performance (COP), the HPU’s electrical consumption, and the indoor thermal comfort is investigated. The research results demonstrate that the proposed approach minimizes the HPU’s electrical consumption, provides flexible control of temperature regimes, and optimizes energy use, which collectively contribute to the overall efficiency of the building’s heating system. The first chapter provides a detailed description of the issues and relevance of the study dedicated to the automated control of the HPU in building heating systems. The primary emphasis is on the necessity to improve energy efficiency by refining control algorithms that optimize electricity consumption without compromising thermal comfort. The introduction discusses the growing demand for energy-efficient technologies against the global trend of reducing fossil fuel usage. Special attention is paid to the effect of intermittent heating on lowering energy consumption. It is noted that traditional systems operate under a continuous load, which is not always appropriate—especially under varying temperature conditions and when buildings are unoccupied during the night. The chapter then substantiates the need for mathematical models to forecast and control a building’s thermal regimes. It explains that using MATLAB, Simulink, and Simscape enables the creation of dynamic models that account for environmental changes, the thermal characteristics of building envelopes, and the dynamics of thermal processes. Within the context of developing control algorithms, the importance of selecting the correct nighttime temperature setpoint and implementing preheating is highlighted, ensuring that a comfortable thermal regime is achieved by the start of the workday. The second chapter is dedicated to the development of an analytical model of the HPU, which serves as the primary tool for investigating its operation, evaluating its efficiency, and optimizing its operating modes. This chapter reviews modern HPU modeling methods, their advantages and limitations, and outlines the key stages in creating the analytical model. The analysis covers three primary approaches: analytical, empirical, and hybrid models. Analytical models are based on physical principles—such as the laws of thermodynamics, heat transfer, and fluid dynamics—which provide high accuracy but demand significant computational resources. Empirical models, built on experimental data, are faster to implement but are less universal and adaptable to changing operating conditions. Hybrid models combine both approaches, achieving a balance between accuracy and computational complexity, making them promising for modeling complex systems. The chapter then details the stages of creating the analytical HPU model. Fundamental physical laws (energy conservation, heat transfer, state equations, and fluid dynamics) form the basis of the modeling. The development includes a mathematical description of the main HPU components—the evaporator, compressor, condenser, and expansion valve—with energy balance equations formulated using functional dependencies that determine the thermophysical properties of the working fluids. Special emphasis is placed on the use of the CoolProp software package, which enables accurate calculation of the thermophysical properties of the working fluids employed in the HPU. Integration of CoolProp into MATLAB/Simulink/Simscape ensures high real-time calculation accuracy, which is critical for dynamic modeling. The algorithm for using CoolProp to determine the thermophysical parameters in various HPU components is examined in detail. Implementation in MATLAB involves developing a modular structure in which separate functional blocks describe the operation of each component. The model is integrated into Simulink, allowing for simulations of dynamic operating modes and analysis of thermal process control efficiency. Experimental data is used for testing and validation, which assesses the modeling error and confirms the adequacy of the results. A subsection is devoted to model validation, comparing calculated values with experimental data. Error analysis indicates that the model is highly accurate, particularly under nominal and partial operating conditions. The chapter’s conclusions summarize the main results of developing the analytical HPU model, emphasizing its practical significance for optimizing operating modes. It is noted that while the model can be used to develop intelligent control algorithms to further enhance energy efficiency, its major drawback is the significant computational expense, which complicates its use in long-term simulations. Therefore, future research proposes replacing the analytical model with a machine learning model. The third chapter focuses on the development and integration of a machine learning model for the HPU within the Simulink environment. While traditional analytical models offer high accuracy, their speed limitations hinder real-time control. Machine learning methods reduce computational complexity and adapt the model to changing conditions. This approach combines the accuracy of analytical models with the speed of neural networks, making it a promising strategy for HPU control. A key stage in the study is the selection of the machine learning model. A comparison was conducted between the Random Forest algorithm and the LSTM neural network. The Random Forest algorithm is simpler to implement and less data-demanding but does not account for temporal dependencies. In contrast, the LSTM network can model complex dynamic processes and analyze variables with long-term dependencies. Testing revealed that LSTM significantly outperforms Random Forest in predicting thermal regimes, although it requires greater computational resources during training. The development of the neural model involved several steps: data collection and preparation, selection of the neural network architecture, training, and subsequent integration into Simulink. A large volume of data obtained from the analytical HPU model—encompassing temperature regimes in the evaporator, condenser, compressor, thermal load, and the mass flow rate of the heat transfer fluid—was used. The data were normalized and structured for efficient model training. The chosen neural network architecture is based on LSTM, which effectively processes time series data. The model comprises one hidden layer with five neurons, balancing speed and prediction accuracy. Regularization techniques, such as early stopping, are employed to prevent overfitting. Optimization is performed using the Adam algorithm, with mean squared error as the loss function. After training, the model is converted into a format suitable for Simulink use. This involves transforming the neural network into C-code via the keras2c library, yielding compact, high-performance code. The model is then integrated into Simulink through an S-function, which facilitates communication between the neural model and other models developed using MATLAB/Simulink’s builtin tools. Testing in the Simulink environment confirmed the integrated model’s effectiveness. A comparison among the original Python model, its C-code equivalent, and the final S-function block showed comparable accuracy across all implementations, confirming the correctness of the conversion and integration. Moreover, computational speed was significantly improved: while the Python model required substantial time per iteration, the C-code implementation greatly accelerated the process, and the S-function block enabled real-time operation. The chapter concludes by emphasizing the feasibility of using machine learning methods to optimize HPU performance and control system synthesis. The proposed approach combines the accuracy of analytical models with the performance of neural networks, making it an effective research tool. Integration into Simulink opens new possibilities for optimizing HPU control by enabling adaptation to changing operating conditions and highly accurate system operation predictions. Future research may focus on further improving the model, particularly by adapting it to various types of HPUs and enhancing control capabilities through intelligent algorithms. The fourth chapter is devoted to developing a model of the house heating system. The primary goal is to create a comprehensive model that integrates the HPU, the heating system, and the building. This model reproduces the dynamics of the building’s thermal regimes under the influence of external factors and the operation of the heating system. It also allows for integrating various control algorithms and analyzing their efficiency to optimize system performance. The model accounts for the building’s structural features, the thermophysical characteristics of the building envelope, and internal heat sources. The use of climatic data represented by a typical meteorological year enables the study of the building’s thermal dynamics throughout the heating season. The HPU model, implemented using an LSTM neural network, facilitates the study of dynamic changes in the unit’s operating modes and the overall heating system. The heating system model is designed with a constant flow of heat transfer fluid and operates according to a temperature schedule to maintain thermal comfort indoors. A key aspect of the study is harmonizing the thermal regimes of the HPU model with that of the building model. This involves linking the system’s physical parameters—such as the heat transfer fluid temperature, thermal load, and external climatic conditions. The water temperature at the HPU outlet and its mass flow rate serve as input parameters for the building model, which in turn generates a feedback signal to regulate the compressor’s operating mode. This interconnected modeling enables the investigation of the relationship between the building’s thermal regime and the HPU’s performance, which is critical for assessing system efficiency and identifying optimization opportunities. Dynamic operating modes of the system are studied using a PID controller that regulates the heat transfer fluid temperature at the HPU outlet. The controller determines the required water temperature based on external conditions, compensating for heat losses and ensuring stable thermal comfort. In MATLAB/Simulink, a PID controller is developed and tuned to dynamically adjust system parameters in response to load changes. Testing confirmed its effectiveness, demonstrating temperature regulation accuracy with a maximum deviation from the setpoint of 0.5°C, which is deemed acceptable. Overall, the simulation results confirm the high accuracy of the integrated model of the building’s heating system based on the HPU. The obtained data can be used to further improve control algorithms, particularly by applying predictive models with machine learning for forecasting thermal regimes and adaptive control of HPU operation. Thus, this research contributes to the development of intelligent heating systems that meet modern requirements for sustainable development and decarbonization. The fifth chapter is dedicated to the development and investigation of control algorithms for intermittent heating based on the HPU. The primary focus is on developing adaptive control methods that reduce energy consumption during nighttime by lowering the temperature setpoint, while ensuring the necessary comfort in the premises by initiating preheating prior to the workday. This chapter substantiates the relevance of research in energy-efficient heating control, particularly given the need to balance energy savings with indoor comfort. Mathematical models are developed to calculate the optimal operating parameters of the HPU, allowing for effective adaptation to changing external conditions. The simulation of the building heating system with the HPU is carried out using the MATLAB/Simulink environment. The building model—encompassing its thermophysical characteristics—along with the HPU model and the temperature control algorithm, are integrated. Numerous simulation scenarios are conducted to analyze the impact of the nighttime setpoint temperature and the preheating start time on overall energy consumption and indoor comfort. The research results indicate a significant potential for intermittent control. In particular, the optimal control parameters determined for various external temperatures enable substantial energy savings without compromising indoor thermal comfort. Analysis shows that as the ambient temperature increases, the required preheating time decreases, and the nighttime setpoint temperature can be reduced without negatively affecting comfort. An intermittent control algorithm is developed, comprising blocks for data collection, optimal parameter calculation, adaptive control of the HPU operating modes, and efficiency analysis. The algorithm is implemented in MATLAB/Simulink, and simulation results indicate that energy consumption can be reduced by up to 18% compared to traditional continuous control methods. The final section of the chapter presents a comparative analysis of the efficiency of continuous versus intermittent HPU operation. It is found that under intermittent control, the average indoor temperature remains within acceptable limits, while the average temperature of the heat transfer fluid decreases— reducing equipment load and extending its service life. Thus, the proposed control algorithms provide an effective solution for optimizing the HPU’s energy consumption in building heating systems. The scientific novelty of the dissertation is summarized as follows: – Optimal values of the intermittent heating parameters for a house based on the HPU, which enhance the energy efficiency of the heating control system, have been identified and quantitatively evaluated. – The control system for intermittent heating of a house based on the HPU has been improved by accounting for the effects of external temperature, direct water during low thermal load and preheating, as well as preheating duration, thereby reducing the HPU’s energy consumption. – Approaches to integrating analytical and neural network models within MATLAB/Simulink have been refined by developing specialized algorithms that significantly reduce computational time for simulating dynamic processes in heating systems. – The research has further advanced methods for investigating the impact of the type of working fluid on HPU characteristics through the integration of libraries for studying working fluid properties, which allows evaluation of the effectiveness of new types of working fluids (including mixtures) on the dynamic performance of the HPU. The practical significance of the dissertation lies in the development of a methodology for integrating the components of the heating system—the HPU, the heating system, and the building—into a single comprehensive model; a methodology for developing a neural model of the HPU that preserves the accuracy of the analytical model while significantly reducing computation time, thereby enabling its effective use for dynamic control; and the development of intermittent control algorithms for HPU operation that minimize energy consumption while ensuring a comfortable thermal regime in the building. Furthermore, the results of the work are applied in the educational process of the Department of Automation of Energy Processes at the National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, as confirmed by the appropriately formatted certification act. | |
dc.format.extent | 172 с. | |
dc.identifier.citation | Богза, М. С. Автоматизація процесу керування адаптивною системою переривчастого теплозабезпечення будинку на базі теплонасосної установки : дис. … д-ра філософії : 151 Автоматизація та комп’ютерно-інтегровані технології / Богза Микола Сергійович. – Київ, 2025. – 172 с. | |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/74894 | |
dc.language.iso | uk | |
dc.publisher | КПІ ім. Ігоря Сікорського | |
dc.publisher.place | Київ | |
dc.subject | Теплонасосна установка | |
dc.subject | автоматизація | |
dc.subject | системи керування | |
dc.subject | адаптивне керування | |
dc.subject | оптимальне керування | |
dc.subject | математичне моделювання | |
dc.subject | нейронні мережі | |
dc.subject | машинне навчання | |
dc.subject | енергоефективність | |
dc.subject | прогнозування | |
dc.subject | Heat pump system | |
dc.subject | automation | |
dc.subject | control systems | |
dc.subject | adaptive control | |
dc.subject | optimal control | |
dc.subject | mathematical modeling | |
dc.subject | neural networks | |
dc.subject | machine learning | |
dc.subject | energy efficiency | |
dc.subject | forecasting | |
dc.subject.udc | 681.5:621.577.4:536.75 | |
dc.title | Автоматизація процесу керування адаптивною системою переривчастого теплозабезпечення будинку на базі теплонасосної установки | |
dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: