Physics-based neural network modelling, predictive control and lifelong learning applied to district heating systems

A District Heating System (DHS) is an energy plant used to deliver heat through insulated water pipelines (District Heating Network or DHN), both for residential and for commercial purposes. This thermo-hydraulic system is particularly significant given that it is an important tool to reach energy transition targets. In the state-of-the-art DHSs literature, the vast majority of control strategies proposed are based on the physical model equations. This thesis, instead, aims at identifying a DHN model through a machine learning technique, namely Recurrent Neural Networks (RNNs), which are particularly suitable to identify the non-linearities of such a complex system. However, in order to exploit both data-driven methods and physical knowledge, a Physics-based Machine Learning approach is proposed. In particular, the key challenge of the thesis consists in developing a neural network that is capable of representing the physical interactions among the main elements of the system under investigation. This objective is achieved by making the Physics-based Recurrent Neural Network (PB-RNN) resemble the physical system topology. Ultimately, PB-RNNs turn out to improve standard RNNs in several respects: higher predictive accuracy, faster training procedure, greater interpretability and easier problem detection. After the identification of a performing system model, the latter is exploited in a Non-linear Model Predictive Control strategy to optimize the district heating system operation by minimizing its electrical cost. Finally, a lifelong learning algorithm is presented in order to monitor the DHS in the long run. In detail, the algorithm is intended to continually supervise the plant so as to detect potential anomalies. Depending on the type of scenario tracked, which can mainly be a structural plant modification or an operating conditions shift, a different solving strategy is proposed. The overall target is to refine the existing system model by acquiring continuous information, while preventing the new knowledge from significantly interfering with past data.

Un sistema di teleriscaldamento è un impianto energetico utilizzato per distribuire calore attraverso delle condotte d'acqua isolate (rete di teleriscaldamento), a fini sia residenziali sia commerciali. Questo sistema termoidraulico è particolarmente significativo in quanto strumento chiave per raggiungere alcuni obiettivi della transizione energetica. Nell'attuale letteratura inerente ai sistemi di teleriscaldamento, la maggior parte delle strategie di controllo proposte è basata sul modello fisico del sistema. Questa tesi, invece, ha come obiettivo l'identificazione del modello di una rete di teleriscaldamento attraverso una tecnica di machine learning, ovvero le Reti Neurali Ricorrenti (RNN), che sono particolarmente indicate per identificare le non linearità di un sistema così complesso. Per sfruttare sia metodi guidati dai dati che dalla conoscenza fisica, un approccio di Physics-based Machine Learning viene in seguito proposto. In particolare, la sfida principale della tesi consiste nello sviluppare una RNN capace di rappresentare le interazioni fisiche tra gli elementi principali del sistema in analisi. L'obiettivo viene raggiunto facendo in modo che la Rete Neurale Ricorrente basata sulla fisica (PB-RNN) ricalchi la topologia del sistema fisico. In definitiva, queste PB-RNN risultano migliorare le reti tradizionali sotto diversi aspetti: maggiore accuratezza predittiva e comprensibilità, procedura di training più veloce e rilevazione dei problemi più agevole. In seguito all'identificazione di un modello performante, quest'ultimo viene impiegato all'interno di una strategia di controllo predittivo non lineare per ottimizzare il funzionamento del sistema di teleriscaldamento minimizzando il suo costo elettrico. Viene infine presentato un algoritmo ad apprendimento continuo per monitorare il sistema sul lungo periodo. Nel dettaglio, l'algoritmo è volto a supervisionare l'impianto in maniera continua così da individuare potenziali anomalie. In base al tipo di scenario rilevato, che può consistere principalmente in una modifica strutturale dell'impianto o in un cambio delle condizioni operative, viene proposta una diversa strategia risolutiva. Il target globale è quello di affinare il modello esistente attraverso una continua acquisizione di informazioni, evitando tuttavia che queste ultime interferiscano in maniera rilevante con i dati precedenti.