The advancement of human civilization brought the use of energy as essential to modern society as air is to human life. However, this dependence has resulted in significant environmental consequences, as large-scale CO2 emissions continue to drive global temperature increases. As awareness of these challenges has grown, the transition from fossil fuels to renewable energy sources has become both imminent and increasingly viable. Among the available renewable energy technologies, Concentrated Solar Power (CSP) integrated with Thermal Energy Storage (TES) has experienced remarkable surge, with China leading its deployment where more than twenty commercial CSP plants are online within a few years. Among them, Tower type CSP becomes the most used technology due to its high operating temperatures, which inherently enable efficient high-temperature thermal energy storage for long-duration operation. This rapid expansion has also reignited the interest in the idea of optimizing CSP operation, particularly the control of the Heat Transfer Fluid (HTF) under severe disturbances such as cloud passage and cloud formation. Furthermore, the outlet-temperature dynamics of solar tower receivers may exhibit either minimum-phase or nonminimum-phase behavior depending on the spatial distribution of absorbed solar flux, thereby increasing the complexity of control problem. With the advancement in cloud forecasting and computational capabilities has made predictive control strategies, such as Model Predictive Control (MPC), more attractive than legacy PID-based approaches. This thesis presents a streamlined and largely automated workflow for converting Modelica models into an MPC formulation using the Pyomo optimization framework in Python. The proposed framework is integrated with a high-fidelity Functional Mock-up Unit (FMU), enabling the implementation and evaluation of advanced control strategies on a physically detailed dynamic model of a CSP solar tower receiver.

L'avanzamento della civiltà umana ha reso l'energia essenziale per la società moderna quanto l'aria lo è per la vita umana. Tuttavia, questa dipendenza ha comportato significative conseguenze ambientali, poiché le emissioni di CO2 su larga scala continuano a contribuire all'aumento delle temperature globali. Con la crescente consapevolezza di queste problematiche, la transizione dai combustibili fossili alle fonti di energia rinnovabile è diventata sia inevitabile sia sempre più realizzabile. Tra le tecnologie rinnovabili disponibili, il Concentrated Solar Power (CSP) integrato con sistemi di Thermal Energy Storage (TES) ha registrato una notevole crescita, con la Cina in posizione di leadership nello sviluppo di questa tecnologia, avendo messo in funzione oltre venti impianti CSP commerciali nell'arco di pochi anni. Tra le diverse configurazioni, il CSP a torre è diventato la tecnologia più diffusa grazie alle sue elevate temperature operative, che consentono naturalmente un accumulo termico ad alta temperatura efficiente e adatto a lunghi periodi di funzionamento.Questa rapida espansione ha inoltre riacceso l'interesse per l'ottimizzazione del funzionamento degli impianti CSP, in particolare per il controllo del fluido termovettore (Heat Transfer Fluid, HTF) in presenza di forti perturbazioni causate dal passaggio e dalla formazione di nubi. Inoltre, la dinamica della temperatura in uscita dei ricevitori a torre può manifestare un comportamento a fase minima o a fase non minima, a seconda della distribuzione spaziale del flusso solare assorbito, aumentando così la complessità del problema di controllo. I progressi nelle tecniche di previsione della copertura nuvolosa e nelle capacità computazionali hanno reso strategie di controllo predittivo, come il Model Predictive Control (MPC), sempre più interessanti rispetto ai tradizionali approcci basati su regolatori PID. Questa tesi presenta un flusso di lavoro semplificato e ampiamente automatizzato per la conversione di modelli Modelica in una formulazione MPC utilizzando il framework di ottimizzazione Pyomo in Python. Il framework proposto è integrato con una Functional Mock-up Unit (FMU) ad alta fedeltà, consentendo l'implementazione e la valutazione di strategie di controllo avanzate su un modello dinamico fisicamente dettagliato di un ricevitore CSP a torre solare.

Nonlinear model predictive control for CSP plants under time-varying spatial flux distributions

Abdurrohman, Muhammad Qodar
2025/2026

Abstract

The advancement of human civilization brought the use of energy as essential to modern society as air is to human life. However, this dependence has resulted in significant environmental consequences, as large-scale CO2 emissions continue to drive global temperature increases. As awareness of these challenges has grown, the transition from fossil fuels to renewable energy sources has become both imminent and increasingly viable. Among the available renewable energy technologies, Concentrated Solar Power (CSP) integrated with Thermal Energy Storage (TES) has experienced remarkable surge, with China leading its deployment where more than twenty commercial CSP plants are online within a few years. Among them, Tower type CSP becomes the most used technology due to its high operating temperatures, which inherently enable efficient high-temperature thermal energy storage for long-duration operation. This rapid expansion has also reignited the interest in the idea of optimizing CSP operation, particularly the control of the Heat Transfer Fluid (HTF) under severe disturbances such as cloud passage and cloud formation. Furthermore, the outlet-temperature dynamics of solar tower receivers may exhibit either minimum-phase or nonminimum-phase behavior depending on the spatial distribution of absorbed solar flux, thereby increasing the complexity of control problem. With the advancement in cloud forecasting and computational capabilities has made predictive control strategies, such as Model Predictive Control (MPC), more attractive than legacy PID-based approaches. This thesis presents a streamlined and largely automated workflow for converting Modelica models into an MPC formulation using the Pyomo optimization framework in Python. The proposed framework is integrated with a high-fidelity Functional Mock-up Unit (FMU), enabling the implementation and evaluation of advanced control strategies on a physically detailed dynamic model of a CSP solar tower receiver.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
L'avanzamento della civiltà umana ha reso l'energia essenziale per la società moderna quanto l'aria lo è per la vita umana. Tuttavia, questa dipendenza ha comportato significative conseguenze ambientali, poiché le emissioni di CO2 su larga scala continuano a contribuire all'aumento delle temperature globali. Con la crescente consapevolezza di queste problematiche, la transizione dai combustibili fossili alle fonti di energia rinnovabile è diventata sia inevitabile sia sempre più realizzabile. Tra le tecnologie rinnovabili disponibili, il Concentrated Solar Power (CSP) integrato con sistemi di Thermal Energy Storage (TES) ha registrato una notevole crescita, con la Cina in posizione di leadership nello sviluppo di questa tecnologia, avendo messo in funzione oltre venti impianti CSP commerciali nell'arco di pochi anni. Tra le diverse configurazioni, il CSP a torre è diventato la tecnologia più diffusa grazie alle sue elevate temperature operative, che consentono naturalmente un accumulo termico ad alta temperatura efficiente e adatto a lunghi periodi di funzionamento.Questa rapida espansione ha inoltre riacceso l'interesse per l'ottimizzazione del funzionamento degli impianti CSP, in particolare per il controllo del fluido termovettore (Heat Transfer Fluid, HTF) in presenza di forti perturbazioni causate dal passaggio e dalla formazione di nubi. Inoltre, la dinamica della temperatura in uscita dei ricevitori a torre può manifestare un comportamento a fase minima o a fase non minima, a seconda della distribuzione spaziale del flusso solare assorbito, aumentando così la complessità del problema di controllo. I progressi nelle tecniche di previsione della copertura nuvolosa e nelle capacità computazionali hanno reso strategie di controllo predittivo, come il Model Predictive Control (MPC), sempre più interessanti rispetto ai tradizionali approcci basati su regolatori PID. Questa tesi presenta un flusso di lavoro semplificato e ampiamente automatizzato per la conversione di modelli Modelica in una formulazione MPC utilizzando il framework di ottimizzazione Pyomo in Python. Il framework proposto è integrato con una Functional Mock-up Unit (FMU) ad alta fedeltà, consentendo l'implementazione e la valutazione di strategie di controllo avanzate su un modello dinamico fisicamente dettagliato di un ricevitore CSP a torre solare.
File allegati
File Dimensione Formato  
2026_07_Abdurrohman_Thesis_01.pdf

accessibile in internet per tutti

Dimensione 2.6 MB
Formato Adobe PDF
2.6 MB Adobe PDF Visualizza/Apri
2026_07_Abdurrohman_Executive Summary_02.pdf

accessibile in internet per tutti

Dimensione 1.62 MB
Formato Adobe PDF
1.62 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261447