https://www.sciencedirect.com/science/article/pii/S1359431124022269

Este artículo presenta una estrategia de gestión óptima, denominada Building Optimizer, basada en un enfoque de Control Predictivo de Modelos (MPC por sus siglas en inglés) con capacidades de autoaprendizaje para edificios. El MPC propuesto es un facilitador clave de las estrategias de respuesta a la demanda cooperativa a nivel comunitario, asegurando la asignación de un perfil de demanda óptimo a cada miembro participante de la comunidad de acuerdo con una referencia de consumo óptima definida por un agente complementario a nivel comunitario. El MPC calcula los puntos de ajuste óptimos de las unidades terminales del sistema HVAC, considerando el uso esperado de los edificios y las condiciones exteriores, y explotando la inercia térmica del edificio. Los modelos integrados en el MPC son modelos de caja gris que representan una zona térmica del edificio. Se propone un MPC adaptativo para mitigar la alta incertidumbre presente en la gestión de edificios debido a las características variables en el tiempo del edificio y las ganancias de calor internas inciertas debido a la ocupación y otras perturbaciones. Para ello, los modelos reducidos incorporan capacidades de autoaprendizaje implementadas como Estimadores de Horizonte Móvil que realizan una calibración continua basada en mediciones en tiempo real. Esta solución permite la automatización completa de la calibración y gestión de modelos de las unidades terminales. Este documento presenta un estudio de caso para evaluar el potencial de garantía de confort térmico y provisión de flexibilidad energética de la solución propuesta. En primer lugar, se compara el Optimizador de edificios con un punto de referencia regular que consiste en un controlador de encendido y apagado, evaluando el rendimiento de cada controlador para el seguimiento de la temperatura interior. Para la evaluación de la provisión de flexibilidad, se utiliza un MPC de referencia con parámetros de modelo fijos obtenidos mediante una calibración fuera de línea para compararlo con el Optimizador de edificios con capacidades de autoaprendizaje. Se simulan diferentes escenarios de flexibilidad, considerando diferentes restricciones con respecto al confort térmico y varias señales de solicitud de flexibilidad. En particular, el Optimizador de edificios supera al MPC de referencia en todos los escenarios, particularmente garantizando el confort térmico. La incorporación de capacidades de autoaprendizaje mejora el rendimiento del controlador al mitigar el efecto de la incertidumbre, lo que permite al Optimizador de edificios cambiar hasta el 13,08% de los períodos pico a períodos valle y rastrear un escenario de solicitud de flexibilidad del 10% sin molestias.