02. 12. 2022
|
emovio.cz logo

Energetická simulace budov může být klíč ke snížení spotřeby. I díky jazyku Python

(Foto: NREL)
(Foto: NREL)

V budovách se spotřebovává přes 40 procent veškeré energie. Budeme-li uvažovat pouze elektřinu, pak její spotřeba se ze 70 procent odehrává v budovách. Snížení této spotřeby a její korekce tak, aby odpovídala stále rostoucí výrobě elektřiny z obnovitelných zdrojů, je jednou z klíčových výzev současnosti. Vzrůstá tlak, aby budovy byly navrhovány tak, aby byly energeticky co nejefektivnější. Aby bylo možné tohoto cíle dosáhnout, je třeba spotřebu energie v budovách lépe předvídat a modelovat. Současná doba k tomu nabízí velmi dobré softwarové nástroje, například Building Energy Modeling (BEM) neboli Energetické modelování budov.

Jedná se o víceúčelový softwarový nástroj zaměřený na energetickou účinnost budov a jejich efektivní integraci do sítě. Americké ministerstvo energetiky (DOE) investuje do vývoje BEM a jeho aplikací průběžně již od 70. let 20. století, nejnověji pak zejména do open source nástroje EnergyPlus.

Standardně vypadá proces BEM tak, že se provede vyhodnocení nákladů a úspor navrhovaných změn na základě určitých modelů, jimiž mohou být kancelářské budovy, školy, nemocnice nebo bytové domy. Tyto tradiční aplikace jsou si v zásadě podobné v tom, že se primárně zabývají minimalizací celkové roční spotřeby energie. Používají BEM poměrně jednoduchým způsobem: definují model budovy včetně výběru z možných provozních strategií a následně se provede celoroční simulace s využitím modelace počasí. Získané výsledky se poté detailně analyzují.

BEM zohledňuje účinky počasí na přenos tepla stěnami, okny a základy, proměny zalidněnosti budovy, zatížení jejích elektrických rozvodů, osvětlení, provoz systémů HVAC (vytápění, větrání a klimatizace), ohřevu vody a jednotlivé interakce mezi těmito subsystémy. BEM tak umožňuje projektantům a stavebním inženýrům předvídat možné úspory a náklady na různá zařízení a poskytuje jim data k tvorbě alternativních návrhů. Klimatické změny, neustále se vyvíjející energetický mix, resp. rostoucí podíl proměnlivých obnovitelných zdrojů, alternativní výroba energie z vlastních zdrojů, to vše jsou faktory, které zásadně ovlivňují požadavky na BEM.

Primárním rozdílem oproti minulosti jsou rostoucí požadavky na komplexní řízení provozu budovy. Roční spotřeba energie je samozřejmě stále důležitá, stejně důležitá je ale dnes i schopnost pružně reagovat na aktuální spotřebu a přesunout spotřebu energie z odběrové špičky nebo minimální dostupnosti obnovitelných zdrojů do intervalu zvýhodněných tarifů a větší dostupnosti obnovitelných zdrojů. BEM se proto musí stále vyvíjet, aby byl schopen vyhodnocovat pokročilé, responzivní řídicí strategie a podporovat aplikace umožňující provádět vyhodnocení a adekvátní reakce v průběhu hodin nebo i minut.

Upgrade od Pythonu

Výše zmíněný instrument EnergyPlus má aplikační rozhraní, které uživatelům umožňuje interagovat s ním během simulace. Tato funkce se jmenuje Energy Management System (EMS), protože jejím primárním určením je implementace řídicích algoritmů. Tyto algoritmy představují virtuální EMS pro virtuální budovu reprezentovanou simulací.

Historicky byli uživatelé funkce EMS nuceni psát svůj kód ve velmi jednoduchém a na zakázku vytvořeném počítačovém jazyce, který byl podobný jazyku BASIC z doby kolem roku 1980. Původní EMS přitom neumožňoval ani použití externích knihoven a mohl používat pouze data, která byla k dispozici na začátku simulace.

Nedávno však EMS získal významný upgrade v podobě podpory od populárního a výkonného skriptovacího jazyka Python. Python EMS nyní umožňuje nástroji EnergyPlus integrovat a vyměňovat si data s velkým počtem externích nástrojů a knihoven. Mezi významná vylepšení patří schopnost používat knihovny strojového učení při implementaci algoritmů řízení budov, schopnost získávat data v reálném čase ze zařízení a řídicích systémů budov a možnost implementace do komplexnějších aplikací, schopných interagovat v reálném čase. Tyto nové funkce umožňují uživatelům vyvíjet, optimalizovat, testovat a implementovat nové, velmi komplexní řídicí technologie a strategie.

Podle Edwina Lee z National Renewable Energy Laboratory (NREL), který vede projekt EnergyPlus a je hlavním vývojářem Python EMS, jsou pokroky v modelovacích schopnostech EnergyPlus obzvláště důležité, protože správa energie v budovách se stává stále komplikovanější. „Je velmi důležité, abychom mohli dále upravovat modely budov, zvláště když experimentování v reálném světě je s tímto nástrojem tak levné a pokud dotyčná budova ještě neexistuje,“ uvedl Edwin Lee.

Programovací jazyk Python byl vybrán především pro svou multiplatformovou podporu, velkou komunitu vývojářů a rozsáhlou a stále rostoucí sadu knihoven pro vše od vizualizace přes statistiky až po strojové učení. Mnohé z těchto knihoven jednoduše „přebijí“ základní schopnosti původního EMS – schopností přizpůsobit EnergyPlus pomocí nových řídicích strategií, nových modelů zařízení, nových metrik a vývojových proměnných a dalších upravených nebo zcela nových simulačních funkcí.

Knihovny Pythonu také umožňují „live“ komunikaci s datovými zdroji včetně vzdálených serverů a fyzických zařízení, jako jsou senzory a různé systémy automatizace. Díky Pythonu EMS může EnergyPlus využívat zdroje dat v reálném čase, včetně dat o aktuálním počasí, předpovědí počasí, zalidněnosti budov nebo teplot v jejich útrobách. Schopnost interagovat s datovými zdroji umožňuje provádět energetické simulace „v reálném čase“, ve kterých se vnější data a výsledky simulace vzájemně dynamicky ovlivňují. Mezi takové aplikace v reálném čase patří společná simulace více budov – ve které simulace každé budovy nahlíží na simulaci ostatních jako externí zdroje dat – stejně jako testování nových produktů a dynamické řízení budovy podle zvoleného modelu.

Virtuální supermarket

Jedním z velkých průmyslových hráčů, který již Python EMS nasadil, je Emerson Electric, společnost s ročním obratem 17 miliard dolarů, která vyvíjí automatizační řešení pro zvýšení energetické účinnosti „na obou stranách elektroměru“. V roce 2020 se společnost Emerson spojila s NREL s cílem identifikovat způsoby, jak zlepšit efektivitu a flexibilitu zvláště energeticky náročného segmentu: supermarketů. Aby se ušetřily provozní náklady – kromě toho, že jsou supermarkety vysoce energetické, mají totiž také poměrně nízké marže – a také aby supermarkety mohly aktivně reagovat na aktuální stav sítě, usiloval Emerson o snížení celkového energetického zatížení budovy alespoň o 25 kW během čtyřhodinové špičky při zachování nebo dokonce zlepšení kvality služeb i pohodlí nakupujících.

Chladicí zařízení a systémy HVAC jsou v supermarketech energeticky velmi náročné a skýtají tak významnou příležitost pro zkvalitnění. S tím se však těsně pojí vysoké nároky na pečlivé sledování a kontrolu. To vše komplikuje skutečnost, že HVAC a chlazení se vzájemně ovlivňují a mohou spolu být i v rozporu. Proud studeného vzduchu, který lze cítit v oddělení mléčných výrobků, samozřejmě snižuje potřebu klimatizace a může dokonce vyvolávat potřebu topení. Proto je důležité, aby příslušný řídicí systém byl schopen předvídat interakce mezi těmito dvěma subsystémy. Věc je o to komplikovanější, že vzhledem k tomu, že v sázce je zboží rychle podléhající zkáze, mají provozovatelé supermarketů sklon být neochotní k větší míře rizika a zdráhají se zavádět nové kontrolní strategie bez předchozího rozsáhlého ověřování.

K prozkoumání nových strategií řízení HVAC a chlazení proto výzkumníci z Emerson a NREL použili EnergyPlus a v experimentálním centru Emerson Helix Center simulovali hospodaření s energií v supermarketech. Systém EnergyPlus modeloval HVAC a chladicí systémy a vzájemné interakce mezi nimi spolu s různými variantami návštěvnosti, zatížením elektrických rozvodů a osvětlení. Výzkumný tým použil k prototypování různých řídicích strategií Python EMS, včetně vyhodnocování podmínek a teplot produktů uvnitř chladicích boxů a předpovídání bezpečného uchovávání potravin. Bez Pythonu EMS by tým musel provádět nákladné reálné experimenty nebo se pokoušet předpovídat teploty pomocí výpočtů post hoc po provedení simulací v EnergyPlus.

„EnergyPlus nám umožňuje vytvořit virtuální supermarket, se kterým můžeme experimentovat, a Python EMS nám umožňuje rychle prototypovat a testovat alternativní strategie. Můžeme vyhodnotit mnohem více scénářů mnohem rychleji, než kdybychom museli použít fyzický supermarket,“ popsal aktuální stav výzkumník z NREL Grant Wheeler.

Firma Emerson nyní vyvíjí prediktivní řídicí jednotku pro dynamické řízení energetického systému supermarketů. Pomocí předpovědí počasí v reálném čase a aktuálních podmínek chlazení v supermarketech a HVAC bude možné používat systém EnergyPlus k vyhodnocování a výběru z 6 000 možných strategií řízení pro daný časový rámec. Wheeler tento přístup popisuje jako „digitální dvojče, které dokáže spouštět scénáře, předvídat problémy a optimalizovat provoz v krátkých časových intervalech pomocí dat v reálném čase. Tento aktivní přístup ke správě budov poskytne supermarketům další úspory“.

Strojové učení proměnilo mnoho průmyslových odvětví, od sociálních médií a produktového marketingu až po lékařský výzkum a autonomní řízení vozidel. Nyní se zdá, že podobný účinek bude mít i na oblast řízení budov.

Podobné články

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *

Oblíbené články

Témata