Data-Driven moment matching model order reduction for energy system models

Large-scale physical models are commonly used to describe complex systems; however, their complexity often limits their use in simulation, control, and optimization tasks. In particular, the computational cost associated with high-order models is often incompatible with the temporal requirements of the dynamical systems of interest, making the implementation of advanced real-time control strategies impractical. Classical model order reduction (MOR) techniques require complete knowledge of the system equations, which may be unavailable or impractical. Recently, a data-driven moment matching approach has been proposed for building reduced models directly from input and output data. Despite its theoretical interest, the applicability of this approach to large-scale systems has not yet been systematically analyzed. This thesis evaluates the effectiveness of the data-driven moment matching method on two high-order models, representing respectively an heat exchanger-turbine system of order 80 and a solid oxide fuel cell (SOFC) system of order 268, both developed by the Department of Electronics, Information and Bioengineering (DEIB) of the Politecnico di Milano.

I modelli fisici di grandi dimensioni sono comunemente impiegati per descrivere i sistemi complessi; tuttavia, la loro elevata dimensione limita spesso l’utilizzo nelle attività di simulazione, controllo e ottimizzazione. In particolare, il costo computazionale associato ai modelli di alto ordine risulta frequentemente incompatibile con i requisiti temporali dei sistemi dinamici di interesse, rendendo di fatto impraticabile l’implementazione di strategie di controllo avanzate real-time. Le tecniche classiche di riduzione d’ordine dei modelli (MOR) richiedono una conoscenza completa delle equazioni del sistema, che può risultare non disponibile o poco pratica. Recentemente, è stato proposto un approccio di moment matching data-driven per la costruzione di modelli ridotti direttamente a partire dai dati di ingresso e uscita. Nonostante il suo interesse teorico, l’applicabilità di tale approccio a sistemi di grandi dimensioni non è stata ancora analizzata in modo sistematico. Questa tesi valuta l'efficacia del metodo di moment matching data-driven su due modelli ad elevato ordine di complessità, rappresentativi rispettivamente di un sistema scambiatore di calore-turbina di ordine 80 e di una cella a combustibili a ossidi solidi (SOFC) di ordine 268, entrambi sviluppati dal Dipartimento di Elettronica Informazione e Bioingegneria (DEIB) del Politecnico di Milano.