Modelowanie systemów dystrybucji energii i wybrane problemy sterowania
Akademia-Górniczo-Hutnicza w Krakowie Katedra Automatyki i Inżynierii Biomedycznej
Al. Mickiewicza 30, B1, 30-059 Kraków wgr@agh.edu.pl
Wojciech GREGA
Problem monitorowania i zdalnego sterowania
Kanał transmisyjny
SMS
sterowanie monitorowanie
0 1 2 3 4 5 6 7
0 50 100 150 200 250 300 350
Energia zaoszczedzona [GJ]
2001.01.28 00:00 - 2001.02.03 23:59
?
Problem monitorowania i zdalnego sterowania
Kanał transmisyjny
SMS
sterowanie monitorowanie
?
Problem monitorowania i zdalnego sterowania
Kanał transmisyjny
SMS
sterowanie monitorowanie
?
Problem monitorowania i zdalnego sterowania
Kanał transmisyjny
SMS
sterowanie monitorowanie
0 1 2 3 4 5 6 7
0 50 100 150 200 250 300 350
Energia zaoszczedzona [GJ]
2001.01.28 00:00 - 2001.02.03 23:59
?
odbiorcy
CCOO
Centralne
źródło 0.1 500 510 520 530 540 550 560 570 580 590 600
0.15 0.2 0.25
0.3 0.35
i
100 200 300 400 500 600 700 800 900 1000
0 0.1 0.2 0.3 0.4 0.5
i
P [GJ/h]
P
Zapotrzebowanie globalne
500 510 520 530 540 550 560 570 580 590 600 0.1
0.15 0.2 0.25
0.3 0.35
i
Zapotrzebowania lokalne
Przykład 1 sterowanie dystrybucją energii cieplnej
System sterowania
- 7 -
Sterowniki lokalne
PLC
Struktura systemu
magistrala CAN
Węzeł główny Reymonta 7Main heating substation internet
nadzór techniczny
alarmy
SMSSerwer zapasowy
czujniki zawory
PLC1
CCOO
CCWWUU O
inni
użytkownicy
SCADA: iFIX system Serwer główny
PLC2
pompy
Gramatyka 10
IPC-CHIP
C C O O
IPC-CHIP
C B6 C O O
B1
czujniki
PCL3
LON-node
4 0 3 0 2 0 1
LON-node 0 4 0 3 0 2 0 1 0
magistrala LonWorks
kamera
Procesowa baza danych
Zastosowane technologie
CAN fieldbus
Main source
PLC2
pumps
sensors valves
PLC1
x
C COO
CCWWUU O CCOO
CCWWUU O
B1
CCOO C CWWUU O
A0
SCADA: system iFIX
struktura rozproszona teletransmisja („fieldbus”)
systemy SCADA
Algorytmy sterowania
Rezerwy proste:
• regulacja nadążna za zmianami temperatury
• obniżenia nocne i sezonowe (c.o.,c.w.) Rezerwy złożone:
• określenie optymalnego wykresu regulacyjnego dla kompleksu ogrzewanych budynków (uwzględnienie indywidualnych cech obiektu, wpływu warunków atmosferycznych),
• predykcja zapotrzebowania na energię (określenie optymalnych obniżeń i podwyższeń z uwzględnieniem warunków
atmosferycznych i temperatury wody grzewczej)
• Ale także: diagnostyka
Optymalizacja zużycia energii cieplnej (i nie tylko):
Nadrzędny układ sterowania powinien minimalizować różnicę pomiędzy zapotrzebowaniem na energię
cieplną, a jej dostawą
Distribution grid becomes active with the presence of Distributed Energy Resources (DER)
Distributed generation is an approach that employs small-scale technologies to produce electricity close to the end users of power
Bidirectional power flow
ADN requires modern/smart communication and control technologies
Active supervision and monitoring of distribution grid instead
Active Distribution Network
Inne przykłady:
Electric power system that utilizes information exchange and control technologies, distributed computing and associated sensors and actuators,for purposs such as:
to integrate the behaviour and actions of the network users and other stakeholders,
to efficiently deliver sustainable, economic and secure electricity supplies.
IEC Electropedia
Smart Grids
Inne przykłady:
Electric power system that utilizes information exchange and control technologies, distributed computing and associated sensors and actuators,for purposs such as:
to integrate the behaviour and actions of the network users and other stakeholders,
to efficiently deliver sustainable, economic and secure electricity supplies.
IEC Electropedia
Smart Grids
Inne przykłady:
Microgrid is a low-voltage distribution grid with DERs (Distributed
Generation such as PV panels, wind turbines, fuell cells, combined heat and power etc. and energy storage) powering small societies or
industrial sites.
MicroGrid
Inne przykłady:
From main grid perspective MG behaves as a controllable generator or load
MG may work in a grid-connected or island mode
MG electricity demand can be satisfied by its DERs
MSs generate much smaller amount of energy in comparison to conventional power plants
MS are located close to end-customers so power losses are smaller
DERs need to be controlled and monitored in a wise manner as they introduce lots of dynamics to the grid which can reduce power quality
MicroGrid
Inne przykłady:
Sterowanie ciągłe, a binarne
05-10-01 Katedra Automatyki AGH
binarne analogowe
A B
C
combinatorial sequential
P2 P1
I1
05-10-01 Katedra Automatyki AGH
CPU1 CPU2
inputs/outputs serial connections
Sygnały binarne, analogowe i cyfrowe współistnieją w
komputerach sterujących
Sygnały w PLC
05-10-01 Katedra Automatyki AGH
analog variable
(e.g. 4..20mA)
filtering
&
scaling
analog- digital converter
digital- analog converter
analog variable
e.g. -10V..10V time
y
time y(i)
sampling
binary variable
(e.g. 0..24V)
filtering
time y
transistor or relay
binary variable amplifier
011011001111
counter
1
non-volatile memory
0001111
time y(i)
processing sampling
09-09-29
Sterowanie w oparciu o model
I . Model procesu II. Model regulatora
Dwa podejścia:
model-based control v. knowledge based control
I Model stosowany on-line II Model stosowany off-line
w(k)
u(k)
x Proces
Model odwrócony
Model odniesienia
-
+03-01-2010 Katedra Automatyki AGH
Model procesu
b u h
h a a a h
h dt
d
0
0 1
2 1 4 3 1 2
1
H T
H
H0 [ 10, 12]
1,
0 1
1 H h
H H2 H20 h2, q q0 u, ,
2 1 ,
0 1 1 1
1 S H
a C
b S ,
) (
2 20 10
1
3 H H
a C
, )
(
2 20 20
2
4 H H
a C
( ) 2max2 ,
0
2 b w
H w H c
H
max
, 2
, ,
, c w S H b
).
( )]
1 ) (
[ (
) 1 (
) (
) ( )
(
0 )
1 (
) 1 (
0 1 0
4 0 1
0 1
0 4 0
4 0 1
0 1
4 1 1 4 1
3 1
1 1
2 1
4 1
3 2
1
k u a e
a e e
a a a
a b
a e b
k h
k h e
e a e
a a
e k
h k h
T a T
a T a
T a
T a T
a T a
T a
- linearized model of the tank system - equilibrium point
- geometrical parameters
Discrete model
T0 – sampling period
02-10-08 Katedra Automatyki AGH
Ale jest też komputer..
CN 1 CN 2 CN
3 CN 4 CN
5
hardware layer
RTOS
A/D driver
Computer bus scheduler
Other
applications Control
algorithm D/A driver
Computer
A/D, D/A interface
Data in/out
software layer
Ale jest też komputer pracujący cyklicznie i obsługujący zadanie driverow
s
0
zadanie n przerwania
zegarowe
zadanie 3 zadanie 2
zadanie 1
scheduler
Zadanie 1: A/D
Zadanie 2 : aplikacja sterująca Zadanie 3 : D/A
Występują różne typy sygnałów
05-10-01 Katedra Automatyki AGH
t
y
t y(i)
t y
03-01-2010 Katedra Automatyki AGH
Aplikacja sterująca wymaga formuł z czasem dyskretnym, np.
).
(
....
) 2 (
) 1 (
) (
....
) 1 (
) ( )
( 1 2 1 2
n k u b
k u b k
u b n k y a k
y a k
y a k
u
n
n
Najprostsze podejście inżynierskie polegające na aproksymacji modelu ciągłego:
0
0 0
kT
t T
) T ) 1 k ((
x ) kT ( x dt
dx
0
może prowadzić do rozwiązań dyskretnych niestabilnych lub nieprzyczynowych :
).
2 (
) 1 (
) ( )
1 (
)
( k a
1y k a
2y k b
1u k b
2u k u
Modele z czasem dyskretnym (cyfrowe) umożliwiają uwzględnienie przy projektowaniu wszystkich efektów przekształcania sygnału w torze
głównym lub/i sprzężenia zwrotnego
t
0 dt
t T de
d T e
t 1 e K t
u D
I
09-09-29 Katedra Automatyki AGH
Dyskretne modele liniowe
algorytm sterujący
C/P
model: F(z) x(k)
T0
proces UP
u(k) T0
*
H(z)
RTK
Podstawowe modele systemów dynamicznych
Nieliniowe
Linearyzacja
Przestrzeń stanów Transmitancja
Laplace Realizacja Liniowe
Nieliniowe
Szukamy odpowiedników z czasem dyskretnym
3 t (sec) x*
6
9 12
3 t (sec)
1 x
7 9 11
5 1 3 t (sec)
x*
6
9 12
Dt
t = kTo t x*
Dt
t = kTo t x*
t = kTo t x*
(a) (b)
(c)
(a) (b)
(c)
To = 1 sec
To = 3 sec
x(t) x*(t)
T0
21-11-2009 Katedra Automatyki AGH
Dwa podejścia do projektowania cyfrowych układów sterowania Model ciągły
Projekt
Dyskretyzacja
Implementacja
Projekt Model dyskretny
Metody projektowania układów sterowania cyfrowego
09-09-29 Katedra Automatyki AGH
Dyskretyzacja układów ciągłych
Modele dyskretne
Nieliniowy model ci ągły Dyskretyzacja
Proces
Transmitancja Laplace’a
Linearyzacja z
z s T
1 1 2
0
Model ciągły
Projekt
Dyskretyzacja
Implementacja
Znaleźć najlepszą aproksymację modelu ciągłego: podobne zachowanie tak w dziedzinie czasu jaki częstotliwości
D
0 T
09-09-29 Katedra Automatyki AGH
Dyskretyzacja układów ciągłych
Metody dyskretyzacji równań różniczkowo-całkowych:
aproksymacja pochodnych
Aproksymacja pochodnej „w przód” (Eulera)
0
0
0) ( )
) 1 ((
T
kT x T k x dt
dx .
Aproksymacja pochodnej "wstecz" daje
0
0
0) (( 1) )
(
T
T k
x kT x dt
dx
0 1
T s z
Po zastosowaniu operatora „z” otrzymujemy:
dt L dx z T X
z T
kT x T k
Z x(( 1) ) ( ) 1 ( )
0 0
0
0 .
s
e
Tz
0
dt L dx z
T X z T
T k x kT
Z x( ) (( 1) ) 1 ( )
0 1
0
0 0
s
e
Tz
0 z 1 T0s1
D
D
D
D D (( 1) ) ( ) :
)
( x k x k
d x dx
T0
1 z
21-11-2009 Katedra Automatyki AGH
Liniowy model procesu zawierający
impulsatory i ZOH
Przekształcenie
Z 0 0
0
,
T A D AT
D e B e Bd
A
Dyskretyzacja (3.24) – (3.25)
Model liniowy
z z s T
1 1 2
0
Proces dyskretny
Linearyzacja
Modele dyskretne
Proces
Nieliniowy model ciągły
Modele parametryczne (ARX, ARMA..)
T0
1 z
UP
T0*
Modele przetwarzania sygnału
Dyskretyzacja (3.26) – (3.27) liniowe,
nieliniowe
Emulacja:
aproksymacja numeryczna
21-11-2009 Katedra Automatyki AGH MIESZANE
(hybrydowe)
MODEL
BEHAWIORALNY
MODEL
STRUKTURALNY
ALGORYTMY
KLASYCZNE INTELIGENTNE
Liniowe
• PID
• LQ
• Deadbeat
• IMC
• Predykcyjne
• Minimalno-wariacyjne
Nieliniowe
• Linearyzujące sprzężenie zwrotne
• Czasooptymalny
• Reżim ślizgowy
• Predykcyjne
Regulatory regułowe
• Technika zbiorów rozmytych
• Wykorzystujące sieci neuronowe
Regulatory ekspertowe Sterowanie
logiczne
Adaptacyjne
Case study 1: INTEGRATED CONTROL OF CENTRALIZED AND LOCAL HEAT SOURCES WITH PEAK DEMAND
COMPENSATION
. An important problem of this strategy consists in keeping peek demand of energy below the maximum power of the central energy source. This demand can be supported be HERS, especially biomass boilers and accumulation tanks considered in this paper.
Power consumption in buildings, AGH campus example
0 1 2 3 4 5 6 7
0 2 4 6 8 1 0 1 2 1 4 1 6 1 8
2 0 P C O [ G J / h ]
2 0 0 6 . 0 1 . 2 8 0 0 : 0 0 - 2 0 0 6 . 0 2 . 0 3
2 3 : 5 9
P e a k d e m a n d
The biomass, for the reason of its nature, as a fuel, must be combust in nominal power of the boiler, which guarantee the highest efficiency of the energy conversion and the
smallest emission of the pollution. However, the maximum heat production seldom corresponds with the same
demand, since there is a necessity of using more complex installation and devices cooperating with the boiler as:
heat accumulators, temperature controllers, distribution system or even cooler exchangers.
Piec na biomase, akumulatory energii accumulation tank
biomass boiler
Motivations: local heating systems
Campus heating system and control system
fieldbus
Internet
Main server
Back-up Server
IPC-CHIP
IPC-CHIP10 other clients
Monitoring of buildings
Main heating substation
PLC2
pumps sensors
valves PLC1
C C OO B1 heating
substation CAN
HERS substation
A2 heating substation
Piec na biomase, akumulatory energii
accumulati on tank biomass boiler
Modelling of demand: model of the building
uzco
valve
Fzco, Tpco
heaters Tpom
m uzco
input valve
saturation
Fzco
Tzco
Tpom Tpco
P
model of the building and heating installation
The linear part of the building model is described by a standard ARMAX model ),
( )
( )
( )
( 1 1 2 2 3 z 3T i
A i B T A z i B F A z i B
Tpco k zco k zco k pom
The nonlinear characteristic of the valve was modelled by the nonlinear function
Therefore, the power consumption of the building during i-step is modelled by
)) ( )
( ( ) ( )
(i F i c T i T i
P zco w zco pco
0 2
2 1
/ ) 1
( A
u u
A u A
FZCO p
. z 0.0392 z
0.0880 - 0.0564 B
, z 0.0217 z
0.1265 - 0.1171 B
, z 0.1 z 0.3024 - 0.2111 B
z 0.753 z
1.731 - 1 A
2 - 1
- 3
2 - 1
- 2
-2 -1 1
-2 -1
,
Modelling of demand: model of the building
uzco
valve
Fzco, Tpco
heaters Tpom
m uzco
input valve
saturation
Fzco
Tzco
Tpom Tpco
P
model of the building and heating installation
The linear part of the building model is described by a standard ARMAX model ),
( )
( )
( )
( 1 1 2 2 3 z 3T i
A i B T A z i B F A z i B
Tpco k zco k zco k pom
The nonlinear characteristic of the valve was modelled by the nonlinear function
Therefore, the power consumption of the building during i-step is modelled by
)) ( )
( ( ) ( )
(i F i c T i T i
P zco w zco pco
0 2
2 1
/ ) 1
( A
u u
A u A
FZCO p
5 0 0 5 1 0 5 2 0 5 3 0 5 4 0 5 5 0 5 6 0 5 7 0 5 8 0 5 9 0 6 0 0 0 .1
0 .1 5 0 .2 0 .2 5 0 .3 0 .3 5
i
P [ G J /h ]
. z 0.0392 z
0.0880 - 0.0564 B
, z 0.0217 z
0.1265 - 0.1171 B
, z 0.1 z 0.3024 - 0.2111 B
z 0.753 z
1.731 - 1 A
2 - 1
- 3
2 - 1
- 2
-2 -1 1
-2 -1
,
C1 C2
R1 R2
R3
Ta Tf
i3
(Th – Tz–Texch)*q*cw
Th Tw
P C
R1
R2
Ta
Th Tz
a)
b)
Modelling of supply: model of biomass HERS
Combustion
model (NN) Boiler model
Accumulation tank model
Model of supply In
Tf Th Tz
1 y{1}
a{2} a{3}
Layer 3 1 neuron
purelin a{1} a{2}
Layer 2 10 neurons
tansig
p{1} a{1}
Layer 1 10 neurons
tansig 1
p{1}
t [min]
Tf [oC]
Tf [oC]
t [min]
C1 C2
R1 R2
R3
Ta Tf
i3
(Th – Tz–Texch)*q*cw
Tw Th
P C
R1
R2
Ta
Th Tz
a)
b)
Modelling of supply: model of biomass HERS
Combustion
model (NN) Boiler model
Accumulation tank model
Model of supply In
Tf Th Tz
1 y{1}
a{2} a{3}
Layer 3 1 neuron
purelin a{1} a{2}
Layer 2 10 neurons
tansig
p{1} a{1}
Layer 1 10 neurons
tansig 1
p{1}
t [min]
Tf [oC]
Tf [oC]
t [min]
a z
f h
w h
w
Kp T Kp T
Kp T T
T a T
T a
dt dT dt dT
3 2
1
2 21
12
1 0 0
1 0 1
Kp1 Kp2 Kp3 T1 T2
2.813 0
0.0280 0.2435 0.6151 4.015 2
Modelling of supply: model of biomass HERS
0 5 10 15 20 25 30 35
0 5 10 15 20 25 30
time [min.]
Tw [C] experiment
Verification of the boiler model, 54 kg of biomass experiment
0 5
0 20 40
60 Tz [oC]
Time [h]
Verification of the combustion & boiler & accumulation tank model:
Loading the accumulation tank: load of 28 kg, 43 kg, 58 kg, 73 kg, 43 kg of fuel was used.
Using the models: peak demand compensation
29 30 31 01 02
0.1 0.2 0.3 0.4 0.5
P,Pref [GJ/h]
29 30 31 01 02
20 40 60 80 100
u [%]
P
Pref
time [days]
Typical power reference control of the building.
Using the models: peak demand compensation
0 5 1 0 1 5 2 0 2 5 3 0
-0 .2 -0 .1 5 -0 .1 -0 .0 5 0 0 .0 5 0 .1 0 .1 5
T im e (h ) G J /h
P d e f
0 5 1 0 1 5 2 0 2 5 3 0
0 0 .0 5 0 .1 0 .1 5 0 .2 0 .2 5 0 .3 0 .3 5 0 .4 0 .4 5 0 .5
T im e (h ) G J /h
P
P u p
0 5 1 0 1 5 2 0 2 5 3 0
-0 .0 2 0 0 .0 2 0 .0 4 0 .0 6 0 .0 8 0 .1 0 .1 2 0 .1 4
PH E R S
T im e (h ) G J /h
C
C O O
Central source
accumulatio n tank biomass
boiler C
C O O
Central source
Rezerwy proste:
• regulacja nadążna za zmianami temperatury
• obniżenia nocne i sezonowe (c.o.,c.w.) Rezerwy złożone:
• określenie optymalnego wykresu regulacyjnego dla kompleksu ogrzewanych budynków (uwzględnienie indywidualnych cech obiektu, wpływu warunków atmosferycznych),
• predykcja zapotrzebowania na energię (określenie optymalnych obniżeń i
podwyższeń z uwzględnieniem warunków atmosferycznych i temperatury wody grzewczej)
Przykład 2: Optymalizacja zużycia energii cieplnej:
Nadrzędny układ sterowania powinien minimalizować różnicę pomiędzy zapotrzebowaniem na energię cieplną, a jej
dostawą
Algorytmy: sterowanie lokalne i nadrzędne
O
MPEC CO AGHTfxo
R1
Fxo Tprof
Serwer Główny
Sterowanie nadrzędne
TZCO
TW
TZM
IPC-CHIP
4 0 3 0 2 0 1
IPC-CHIP 0 4 0 3 0 2 0 1 0
Tb1, Tb2...
TPCO Uco
PLC
TREFCO
Fco FM
Sterowanie nadrzędne:
profile temperatury (obniżenia nocne i
sezonowe), z predykcją zapotrzebowania
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 5
10 15
-5 -10 -15
Tpro f
t1
?
czas
t
nad0
Przykładowa sekwencja sterowania nadrzędnego
Optymalizacja zużycia energii: obniżenia nocne:
0 1 2 3 4 5 6 7
30 40 50 60 70 80 90 100 110
Tzm, Tzco, Trefco [C]
2001.01.28 00:00 - 2001.02.03 23:59 Tzm
Trefco
Tzco
Optymalizacja zużycia energii:
Czy i jakie oszczędności przynosi takie prowadzenie procesu?
0 1 2 3
30 40 50 60
2001.01.28 00:00 - 2001.02.03 23:59
+ -
Optymalizacja zużycia energii:
Pobór mocy
Temp. zewn.
Optymalizacja zużycia energii:
Czy i jakie oszczędności przynosi takie prowadzenie procesu?
Odpowiedź: model poboru mocy
NN P
AGHT
WT
ZCOHip(T
W,T
ZM)
NN - neural network, Tw -temeperatura zewnętrzna, Tzc - temperatura zasilania
Optymalizacja zużycia energii:
Model poboru mocy
0 1 2 3 4 5 6 7
0 2 4 6 8 10 12 14 16 18 20
Moc oraz moc hipotetyczna AGH [GJ/h]
2001.01.28 00:00 - 2001.02.03 23:59 Moc
hipotetyczna (model)
Moc pobierana przez AGH
Optymalizacja zużycia energii:
0 1 2 3 4 5 6 7
0 50 100 150 200 250 300 350
Energia zaoszczedzona [GJ]
2001.01.28 00:00 - 2001.02.03 23:59
Tabela: Wyniki prób zastosowania suboptymalnego algorytmu sterowania nadrzędnego
Avg Tw [C]
Min Tw [C]
Max Tw [C]
Avg Tzco [C]
Energia Odczyt
[GJ]
Liczba dni logowania
danych
Liczba dni sterowania
Szacowana oszczędność
[GJ]
Październik 8,67 -0,90 18,30 35,28 5938 30,3 23 819
Listopad 7,60 -2,25 19,85 37,39 5028 27,8 29 1283
Grudzień -3,46 -15,05 8,10 51,44 11916 29,6 21 908
Styczeń -0,46 -13,40 9,55 49,35 11806 28,9 10 620
Luty -2,36 -14,50 15,65 55,17 10975 25,2 0 0
Marzec 4,42 -5,00 18,20 42,62 7092 29,6 27 926
Kwiecień 8,97 -2,40 27,80 32,64 3759 26,0 3 62
SUMA: 56515 4618
Tw – temperatura zewnętrzna
Średnioważona cena ciepła (woj. małopolskie) [zł/GJ] 27,68 zł
Średnioważona stawka opłaty za usługi przesyłowe (woj. małopolskie) [zł/GJ] 12,20 zł
Źródło: www.ure.gov.pl (Urząd Regulacji Energetyki)
Co z tego wynika dla użytkownika systemu grzewczego?
Przykład 3: zadanie diagnostyki
dane zarejestrowane z 850 węzłów cieplnych
Temperatura wody grzewczej
Temperatura otoczenia [0C]
prawidłowa rejestrowana
*) Rozprawa doktorska mgr inż. Sebastiana Kiluka p.t.
Algorytmizacja zadań diagnostyki zdarzeniowej dla potrzeb scentralizowanego nadzoru obiektów energetyki cieplnej, AGH, Krakow, 2005
Problem diagnostyki:
Zastosowanie metod przetwarzania danych dla wykrywania, grupowania i klasyfikacji
niesprawności oraz awarii urządzeń
grzewczych w zdalnym nadzorze masowym.
Temperatura wody grzewczej
Temperatura otoczenia [0C]