Otimização do consumo de energia de uma bomba de calor

Abstract

É do conhecimento geral que atualmente as pessoas passam a maior parte do seu tempo dentro de edifícios. Com a crescente utilização de inteligência artificial, equipamentos e tecnologias, a ascendência dos edifícios inteligentes sobre os tradicionais tem vindo a acentuar-se, assumindo um papel cada vez mais relevante. Devido à crescente importância dos edifícios inteligentes na acomodação das atividades humanas, é premente a necessidade de gerir o consumo energético dos vários sistemas nestas estruturas. Pelo facto de determinados países enfrentarem uma crise energética, surge a necessidade de um controlo personalizado onde os preços da energia dependem da disponibilidade das suas fontes, orientando a utilização da energia para fora dos grandes picos de consumo da mesma. Este trabalho foca-se na otimização energética de uma bomba de calor, um sistema AVAC crítico dos edifícios inteligentes, para melhorar a sua eficiência e sustentabilidade. Explorando os mais recentes avanços tecnológicos, são desenvolvidas novas soluções inteligentes para enfrentar os desafios atuais associados à gestão e controlo de energia de uma bomba de calor. Com o objetivo de desenvolver uma ferramenta de serviço para esta otimização, a Bosch estabeleceu uma parceria com a Universidade de Aveiro propondo esta dissertação. Neste trabalho, o foco é dado ao desenvolvimento de um serviço autónomo inteligente e fiável para a otimização do funcionamento de bombas de calor, com base nos seus dados de funcionamento passados. Para o estudo é utilizada uma bomba de calor da Bosch, que efetua o aquecimento do piso radiante de uma habitação doméstica. Ao longo do desenvolvimento do trabalho, surgem várias soluções com base na análise de múltiplos artigos e no estado da arte. O trabalho centra-se no estudo de modelos de aprendizagem automática para a obtenção de um programa de funcionamento da bomba de calor que permita reduzir os custos energéticos mantendo o conforto térmico desejado. Uma vez que as políticas de educação energética podem incentivar os utilizadores destes sistemas a reduzir o consumo de energia, é implementada, em paralelo, a previsão do consumo da bomba de calor para as diferentes possibilidades de modos de funcionamento, de modo a que o utilizador faça escolhas conscientes. São exploradas outras possibilidades de otimização, nomeadamente o controlo dinâmico da curva de aquecimento da bomba de calor caso esta não esteja ajustada ao cenário atual. Os resultados mostram que a implementação da otimização proposta, conduz a uma redução significativa do consumo de energia neste cenário de AVAC, com uma redução média de cerca de 16,3%. O algoritmo tem em conta vários fatores, tais como ajustes à temperatura de referência, para otimizar a eficiência energética com base nas futuras temperaturas exteriores e nas preferências do utilizador.

It is widely known that people spend most of their time inside buildings. With the increasing use of artificial intelligence, equipment and technologies, the ascendancy of smart buildings over traditional ones has become increasingly pronounced, assuming an increasingly relevant role. On the rise of smart buildings in accommodating human activities, there is a pressing need to manage the energy consumption of various systems within these structures. As some countries face an energy crisis, the need arises for a customized control where energy prices depend on the availability of its sources, guiding the use of energy away from large energy consumption peaks. This work focuses on the energy optimization of a heat pump, a critical HVAC system of smart buildings, to enhance its efficiency and sustainability. By exploiting the latest technological advances, new intelligent solutions are developed to address today’s challenges associated with heat pump energy management and control. In order to develop a service tool for this optimization, Bosch partnered with University of Aveiro proposing this dissertation. In this work, the focus is given to the development of an intelligent and reliable standalone service for heat pump operation optimization, based on its past operation data. For the study a Bosch heat pump is used, which performs underfloor heating of a domestic dwelling. Throughout the development of the work, several solutions emerge based on the analysis of multiple articles and the state of the art. The work focuses on the study of machine learning models for obtaining an heat pump operating schedule for reducing energy costs while maintaining the desired temperature comfort. Since energy education policies can encourage the users of these systems to reduce energy consumption, it is implemented in parallel, the prediction of heat pump consumption for the different possibilities of operation modes, so that the user makes conscious choices. Other optimization possibilities are explored, namely the dynamic control of the heat pump heating curve if it is not adjusted to the current scenario. Results show that implementing the proposed ML-based time program optimization leads to significant energy consumption reduction in this HVAC scenario, with an average reduction of about 16.3%. The algorithm takes into account various factors, such as adjustments to the setpoint temperature, to optimize energy efficiency based on future outdoor temperatures and user preferences.