Smart utformning, styrning och optimering av termisk energilagring i lågtemperaturvärme- och högtemperaturkylsystem

QC 20250805

Abstract

Uppvärmning och kylning står för cirka 55% av den totala energianvändningen i byggnader globalt och är en av de främsta källorna till driftsrelaterade koldioxidutsläpp. I kallare klimatzoner, såsom Sverige, är det avgörande att tillgodose detta termiska behov på ett effektivt och hållbart sätt för att uppfylla både nationella och globala klimatmål. Lågtempererad uppvärmning (LTH) och högtempererad kylning (HTC), där temperaturskillnaden mellan energitillförsel och -behov är minimal, är moderna lösningar som passar väl ihop med lågexergi- och förnybara energikällor. När dessa kombineras med termisk energilagring (TES), särskilt djupa säsongslagrande borrhål, kan systemen erbjuda ökad flexibilitet, minskad koldioxidintensitet och förbättrad långsiktig driftsäkerhet. Trots detta kvarstår en viktig fråga i litteraturen: Hur kan redan ultraeffektiva LTH–HTC–TES-system förbättras ytterligare? Svaret ligger i att addera intelligent styrning och optimering – det sista skiktet som krävs för att frigöra deras fulla operativa, ekonomiska och miljömässiga potential.

Denna avhandling undersöker hur smart design, avancerad styrning och optimering kan göra ett redan intelligent LTH–HTC–TES-system ännu smartare. Studien fokuserar på Juvelen, en 10 000 m² stor kommersiell byggnad i Uppsala, känd för sitt "deep-green"-koncept där borrhål används direkt för att täcka värme- och kylbehovet utan värmepumpar eller kylmaskiner. Byggnaden är utrustad med passiv kylning, värmeåtervinning i ventilationssystemet och smart koppling till fjärrvärmenätet – vilket gör Juvelen till en idealisk testbädd för att undersöka hur AI-baserad styrning och optimering kan förstärka nästa generations termiska system i kommersiella byggnader. Forskningen bedrivs i tre steg: Först identifieras kunskapsluckor i litteraturen kring hur TES integreras, styrs och optimeras i LTH– och HTC-system. Därefter utvecklas en detaljerad dynamisk modell av Juvelens energisystem i TRNSYS och valideras mot realtidsdata från byggnadens styrsystem (TEKLA). Slutligen används den validerade modellen för att undersöka flera prestandaförbättrande metoder: (i) multiobjektiv optimering med artificiellt neuralt nätverk (ANN) och metaheuristiska algoritmer som Grey Wolf, NSGA-II, particle swarm och dragonfly, (ii) en adaptiv styrning av radiatortemperatur baserad på optimerad temperaturformel via PSO, (iii) utvärdering av ett alternativt system med integrerad bergvärmepump, och (iv) modellprediktiv styrning (MPC) baserad på prognoser och testad under osäkerhet.

Grundstudien visar att systemet, utan värmepumpar eller kylaggregat, täcker hela byggnadens kylbehov och cirka en tredjedel av värmebehovet direkt via borrhålen. Resten täcks av fjärrvärme. Under en återbetalningstid på tio år undviks mer än 140 ton CO₂, vilket gör systemet till en utmärkt kandidat för att undersöka hur redan högpresterande lösningar kan förbättras ytterligare genom smart design, prediktiv styrning och optimering. Byggt på denna grund visar fortsatta undersökningar hur intelligenta metoder och smarta konfigurationer ger ytterligare vinster. Levenberg–Marquardt-algoritmen i kombination med en cascade-forward-arkitektur visade lägst fel och snabbast beräkningstid bland flera ANN-träningsmetoder. Med denna modell kunde ANN-baserad optimering minska energikostnaden med 14,5 %, minska CO₂-intensiteten med 6 % och öka levererad termisk energi med 11 %. En nyutvecklad adaptiv styrstrategi för radiatorsystem – som tar hänsyn till solinstrålning, ventilation och interna värmelaster – förbättrade komforten med 72,7 % (baserat på viktad temperaturavvikelse) och minskade köpt värme från nätet med cirka 13,2 %. Ytterligare förbättringar uppnåddes genom att integrera två 40 kW värmepumpar, vilket ökade den säsongsvisa flexibiliteten. Ett nytt styrkoncept introducerades där fjärrvärmenätet laddar borrhålen varje september, vilket bibehåller termisk balans i marken och stärker långsiktig hållbarhet. Denna integrering sänkte de årliga driftskostnaderna med 9,4 % och CO₂-utsläppen från 23,9 ton till 1,6 ton per år, i linje med Sveriges klimatmål för nettonollbyggnader. Slutligen uppnådde den prognosbaserade MPC-styrningen mer än 13 % kostnadsbesparing på marknadsresponsiv drift och 5 % total driftskostnadsreduktion. Återbetalningstiden minskade med ungefär fyra år, samtidigt som robustheten mot prognosfel verifierades genom Monte Carlo-simuleringar.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-368012