Data-driven dynamic modelling and implementation of an improved control strategy for a geothermal heat pump based heating system in a nearly zero energy building

The present thesis is focused on developing machine learning based dynamic models and implementing an improved control strategy for a geothermal heat pump based floor heating system in a Nearly Zero Energy Building (NZEB). In the conventional control strategy that is utilized in these heating systems, the supply temperature is chosen following a climatic based approach. The present study proposes an improved data-driven control strategy capable of increasing the temperature controllability, while minimizing the energy consumption. As the first step, machine learning pipelines for simulating the dynamic behaviour of the consumption side are proposed and implemented. The latter models permit predicting the return water temperature that is streaming back from the floor heating system. Next, a data-driven model of the thermal behavior of the heat pump is developed, which estimates the supply temperature as a function of the return temperature and the geothermal side conditions. The above-mentioned data-driven models are then validated employing the historical dataset obtained from an NZEB, which is provided by Edilclima S.r.l., the energy manager of the mentioned building. Finally, a data-driven strategy is implemented, in which the supply temperature is controlled with the objective of keeping the predicted return temperature and the corresponding average (between supply and return) temperature close to the defined set-point. The mentioned strategy is simulated using the conditions acquired from the case study and the obtained thermal performance is compared with the one of the existing strategy. The results demonstrate a significant improvement in terms of energy efficiency, identified by an increase in the Seasonal Coefficient of Performance (SCOP) of the heat pump, while addressing the required seasonal thermal load of the building. Accordingly, a resulting decrease in the required electrical consumption of the compressor is observed. A further improvement is also attributed to the increased temperatures controllability and the resulting decrement in the corresponding losses. It is noteworthy that, although the NZEB requires an already reduced seasonal primary energy input, the proposed heat pump control strategy is demonstrated to lead to a notable improvement. Therefore, the application of the proposed data-driven control strategy to similar systems that are commonly controlled using climate control systems, could results in further energy savings. The project has been carried out in the context of collaboration between the Energy Department of Politecnico di Milano and Edilclima S.r.l.

La presente tesi è incentrata sullo sviluppo di modelli dinamici basati sul machine learning e sull'implementazione di una migliorata strategia di controllo per un sistema di riscaldamento a pavimento basato su una pompa di calore geotermica in un Nearly Zero Energy Building (NZEB). Nella strategia di controllo convenzionale che viene utilizzata in questi sistemi di riscaldamento, la temperatura di mandata viene scelta seguendo un approccio climatico. Il presente studio propone una migliorata strategia di controllo data-driven (guidata dai dati), in grado di aumentare la controllabilità della temperatura, minimizzando il consumo energetico. Come primo passo, vengono proposte e implementate machine learning pipelines per simulare il comportamento dinamico del lato consumo. Questi ultimi modelli permettono di prevedere la temperatura dell'acqua di ritorno proveniente dal sistema di riscaldamento a pavimento. Successivamente, viene sviluppato un modello data-driven del comportamento termico della pompa di calore, che stima la temperatura di mandata in funzione della temperatura di ritorno e delle condizioni del lato geotermico. I suddetti modelli data-driven vengono poi validati utilizzando il dataset storico ottenuto da un NZEB, che viene fornito da Edilclima S.r.l., l'energy manager dell'edificio citato. Infine, è implementata una strategia data-driven, in cui la temperatura di mandata è controllata con l'obiettivo di mantenere la temperatura di ritorno prevista e la corrispondente temperatura media (tra mandata e ritorno) vicina al set-point definito. La strategia citata viene simulata utilizzando le condizioni acquisite dal caso studio e le prestazioni termiche ottenute vengono confrontate con quelle della strategia esistente. I risultati dimostrano un significativo miglioramento in termini di efficienza energetica, identificato da un aumento del Seasonal Coefficient of Performance (SCOP) della pompa di calore, facendo fronte nel contempo al carico termico stagionale richiesto dell'edificio. Pertanto, si osserva una conseguente diminuzione del consumo elettrico richiesto del compressore. Un ulteriore miglioramento è anche attribuito all'aumento della controllabilità delle temperature e alla conseguente diminuzione delle perdite corrispondenti. E' degno di nota che, sebbene l'NZEB richieda un apporto di energia primaria stagionale già ridotto, è dimostrato che la strategia di controllo della pompa di calore proposta porta ad un notevole miglioramento. Pertanto, l'applicazione della strategia di controllo data-driven proposta, a sistemi simili che sono comunemente controllati con sistemi di regolazione climatica, potrebbe portare ad ulteriori risparmi energetici. Il progetto è stato realizzato nell'ambito di una collaborazione tra il Dipartimento di Energia del Politecnico di Milano ed Edilclima S.r.l.