Integer Programming in the Design of Energy-efficient Building Systems

Wie integrale Programmiermodelle strukturiert sind

Jedes IP-Modell hat drei Komponenten:

• Entscheidungsvariablen – die zu bestimmenden Größen oder Auswahlmöglichkeiten (z. B. x i = 1 wenn eine Wärmepumpe installiert ist, 0 ansonsten).
• Zielfunktion – das Maß, das minimiert oder maximiert werden soll (z. B. die jährlichen Gesamtenergiekosten, CO2-Emissionen oder der Nettobarwert).
• Einschränkungen – physikalische Grenzen, Budget-Caps, Leistungsanforderungen (z.B. muss die Innentemperatur zwischen 20 und 26 °C bleiben, die installierte Gesamtkapazität muss die Spitzenlast erfüllen).

Der Solver sucht nach der Kombination von ganzzahligen und kontinuierlichen Werten, die das beste Ziel liefert und gleichzeitig alle Einschränkungen erfüllt. Da der Suchraum exponentiell mit der Anzahl der ganzzahligen Variablen wächst, werden heuristische und branch-and-bound-Methoden verwendet, um die Suche effizient zu beschneiden.

Schlüsselanwendungen für energieeffizientes Gebäudedesign

Erneuerbare Energie System Sizing und Auswahl

Eine der wirkungsvollsten Anwendungen der Ganzzahlprogrammierung ist die Dimensionierung von Systemen für erneuerbare Energien. Ein typisches Problem besteht darin, zu entscheiden, wie viele Solar-Photovoltaik- (PV) Panels, Windkraftanlagen oder Batteriespeichereinheiten zusammen mit ihren Kapazitäten installiert werden sollen, um das Lastprofil eines Gebäudes zu erfüllen. Integrierte Variablen erfassen diskrete Gerätemodelle (z. B. ein 300 W Panel gegen ein 400 W Panel) und ob ein System überhaupt installiert werden soll. Kontinuierliche Variablen können den Neigungswinkel oder den Ladezustand einer Batterie darstellen.

Die Forschung zeigt, dass MIP-Modelle die Energiegestehungskosten (LCOE) im Vergleich zu einfachen Faustregeln um 10-20% senken können, insbesondere in Kombination mit Stromtarifen für die Nutzungszeit. Das Modell kann die Erzeugung erneuerbarer Energien so verändern, dass sie der Spitzennachfrage entspricht, überschüssige Energie in Batterien speichert und Einschränkungen wie Dachfläche und strukturelle Belastbarkeit berücksichtigt. Ein bekanntes Beispiel aus dem National Renewable Energy Laboratory (NREL) verwendet eine gemischte Ganzzahl-Programmierung, um Solar-Plus-Speichersysteme für gewerbliche Gebäude hinter dem Meter zu optimieren, was erhebliche Einsparungen zeigt.

HVAC System Design und Planung

Heizungs-, Lüftungs- und Klimaanlagen (HVAC) machen oft 40-60% des Energieverbrauchs eines Gebäudes aus. Die integrierte Programmierung hilft auf zwei Arten: , die Geräte zu dimensionieren und zu planen seinen Betrieb. Für die Dimensionierung wählen ganze Zahlenvariablen zwischen diskreten Kühler-, Kessel- und Luftbehandlungseinheiten. Das Ziel könnte sein, eine Kombination aus Investitionskosten und jährlichen Energiekosten (einschließlich Bedarfsgebühren) zu minimieren.

Für die Planung, ganzzahlige Programmierungssteuerungen, wenn Geräte ein- oder ausgeschaltet werden (binäre Variablen) und welche Zone auf welcher Höhe konditioniert wird. Dies ist besonders wertvoll für Systeme mit variablem Kältemittelfluss (VRF) oder Kühlwasserschleifen, bei denen sich mehrere Einheiten eine Last teilen. Ein MIP-basierter Scheduler kann den Spitzenbedarf durch Staffelung der Startzeiten und Vorkühlung der thermischen Masse während der Spitzenzeiten reduzieren. Studien zeigen, dass eine optimierte Planung den HVAC-Energieverbrauch um 15 bis 30 % gegenüber herkömmlichen PID- oder regelbasierten Steuerungen senken kann.

Beispiel: Chiller-Sequenzierung

Man denke an ein Gebäude mit fünf identischen Kühlern mit jeweils einer diskreten Kapazität von 100 Tonnen. Die Kühllast variiert über den Tag. Ein ganzzahliges Programmiermodell würde entscheiden, wie viele Kühler (0–5) laufen und bei welchem Teillastverhältnis. Die Einschränkungen stellen sicher, dass die Gesamtkapazität der Last entspricht und dass die Kühler effizient arbeiten (Vermeidung sehr niedriger Teillasten, die Energie verschwenden). Das Ziel minimiert den Gesamtstromverbrauch, indem Teillast-Effizienzkurven einbezogen werden.

Diese einfache ganzzahlige Entscheidung kann Tausende von Dollar pro Jahr einsparen.

Building Envelope Optimierung: Isolierung und Windows

Die Gebäudehülle - Wände, Dach, Fenster und Türen - bestimmt, wie viel Wärme eintritt oder austritt. Die integrierte Programmierung optimiert die Platzierung und Art dieser Komponenten. Bei Fenstern wählen ganzzahlige Variablen zwischen vordefinierten Fenstertypen (Doppelscheiben-Low-E, Dreischeiben-E usw.) und entscheiden, ob ein Fenster an einem bestimmten Wandsegment angebracht werden soll.

Für die Isolierung kann die Ganzzahlprogrammierung zwischen diskreten Isolationsdicken (z. B. 2, 4, 6 Zoll) für jede Gebäudeoberfläche wählen. Das Ziel könnte die Gesamtheiz- und -kühlenergie über ein Jahr minimieren, vorbehaltlich einer Budgetbeschränkung. Einschränkungen gewährleisten auch die strukturelle Integrität und die Code-Compliance. Ein Artikel in Energy and Buildings zeigte, dass die MIP-basierte Hüllenoptimierung den Energieverbrauch um bis zu 25% im Vergleich zur Standardpraxis reduzieren kann, mit den größten Zuwächsen in Klimazonen mit großen Tagestemperaturschwankungen.

Entwurf und Steuerung des Beleuchtungssystems

Die Beleuchtung macht etwa 15 % des Energieverbrauchs von gewerblichen Gebäuden aus. Die integrierte Programmierung optimiert die Auswahl von Leuchten (unterschiedliche Wattzahlen und Wirkungsgrade), die Platzierung von Tageslichtsensoren und die Planung von Dimmstufen. Binäre Variablen entscheiden, welche Leuchten installiert werden sollen und welche dimmbar sind; kontinuierliche Variablen setzen Dimmstufen ein. Einschränkungen umfassen das Erreichen eines Mindestlichtstärkepegels an jedem Arbeitsplatz und eine gleichmäßige Lichtverteilung. Das Modell minimiert den Gesamtstromverbrauch bei Tageslichternte, wobei Sensoren künstliches Licht auf der Grundlage des verfügbaren Tageslichts einstellen.

Studien zeigen, dass IP-optimierte Beleuchtungsdesigns den Energieverbrauch um 30-50 % gegenüber nicht-optimierten LED-Installationen reduzieren.

Vorteile der Integrierten Programmierung im Gebäudedesign

Kosteneffektive Entscheidungsfindung

Der Hauptvorteil der Integer-Programmierung ist die Fähigkeit, Lösungen zu finden, die Investitionsausgaben mit Betriebseinsparungen in Einklang bringen. Zum Beispiel können Investitionen in leistungsstarke Fenster im Voraus teuer sein, aber Energie für Jahrzehnte sparen. Ein IP-Modell kann Kompromisse in Tausenden von Szenarien bewerten und den optimalen Punkt identifizieren. Dieser explizite Ausgleich verhindert übermäßige Ausgaben für Funktionen mit marginalen Renditen und vermeidet zu geringe Ausgaben, die zu hohen Versorgungsrechnungen führen.

Energie- und CO2-Reduktion

Durch die Optimierung jedes einzelnen und kontinuierlichen Aspekts der Energiesysteme eines Gebäudes reduziert die Integerprogrammierung direkt den Energieverbrauch und die damit verbundenen Treibhausgasemissionen. Das US-Energieministerium (DOE) hat mehrere Projekte mit MIP für die Netto-Null-Gebäudeplanung finanziert, wodurch eine Verringerung des Energieverbrauchs um 40 bis 60 % im Vergleich zu Code-Minimum-Gebäuden erreicht wurde. In Kombination mit erneuerbaren Energien kann die Integerprogrammierung Gebäuden helfen, sich dem Netto-Null-Status zu nähern oder ihn zu erreichen.

Unterstützung für Green Building Zertifizierungen

Ganzzahlige Programmiermodelle können Nachhaltigkeitskennzahlen enthalten, die für Zertifizierungen wie LEED, BREEAM oder Passivhaus erforderlich sind. Zum Beispiel erfordert ein LEED v4.1-Kredit die Optimierung der Energieeffizienz mithilfe einer Gesamtgebäudesimulation; ein IP-Modell, das den Energieverbrauch minimiert, trägt direkt zu diesem Kredit bei. In ähnlicher Weise kann das Modell den verkörperten Kohlenstoff von Materialien berücksichtigen, eine weitere aufkommende Zertifizierungsanforderung. Dieser systematische Ansatz rationalisiert den Zertifizierungsprozess und bietet eine überprüfbare Dokumentation.

Umgang mit komplexen Interaktionen

Gebäudesysteme interagieren nichtlinear. Durch die zusätzliche Isolierung wird die HLK-Last reduziert, aber auch die Kapazität einer erforderlichen Wärmepumpe, was wiederum die optimale Anzahl von Solarmodulen verändert. Die integrierte Programmierung erfasst diese Interdependenzen, da die objektive Funktion und die Einschränkungen Begriffe enthalten können, die Variablen koppeln. Keine heuristische oder sequentielle Designmethode kann der ganzheitlichen Optimierung eines einzelnen IP-Modells entsprechen. Dies führt zu Designs, die nicht nur energieeffizient, sondern auch intern kohärent sind.

Herausforderungen bei der Anwendung von Integer Programming

Computational Complexity

Ganzzahlige Programmierprobleme sind im Allgemeinen NP-hart, was bedeutet, dass sie für sehr große Instanzen (z. B. Hunderttausende von ganzzahligen Variablen) ohne fortschrittliche Techniken unpraktisch sein können. Für Gebäudedesign sind Modelle mit einigen hundert ganzzahligen Variablen normalerweise innerhalb von Minuten lösbar, aber die Optimierung des gesamten Gebäudes, die stündliche Planung über ein Jahr umfasst, kann Millionen von Variablen beinhalten. Zerlegungsansätze wie Benders-Zerlegung oder Spaltengenerierung helfen, das Problem in überschaubare Teilprobleme aufzuteilen. Darüber hinaus verwenden viele Praktiker heuristische Methoden (z. B. genetische Algorithmen oder simuliertes Glühen), um gute - wenn auch nicht nachweislich optimale - Lösungen für sehr große Modelle zu finden.

Datenqualität und Unsicherheit

Ganzzahlige Programmiermodelle erfordern genaue Eingabedaten: Wetterdateien, Belegungszeitpläne, Effizienzkurven der Geräte, Utility Rate-Strukturen und Materialkosten. Unsicherheiten in diesen Eingaben können zu suboptimaler realer Leistung führen. Um dies zu beheben, enthalten robuste Optimierungs- und stochastische Programmiererweiterungen Unsicherheitssätze oder Wahrscheinlichkeitsverteilungen, wodurch die Lösung resistent gegen Variationen wird. Diese Erweiterungen erhöhen jedoch die Modellgröße und -komplexität.

Integration mit Simulationstools

Die meisten Energiesimulationswerkzeuge (z. B. EnergyPlus, TRNSYS) sind nicht dafür konzipiert, in einen ganzzahligen Programmier-Solver eingebettet zu werden. Stattdessen müssen Praktiker Ersatzmodelle erstellen - vereinfachte Regression oder neuronale Netzwerk-Approximationen -, die das Gebäudeverhalten schnell genug erfassen, damit der Solver wiederholt aufrufen kann. Dies schafft einen Kompromiss zwischen Genauigkeit und Geschwindigkeit. Die jüngste Forschung konzentriert sich auf die ]Graubox-Modellierung , die Physik mit datengesteuerten Methoden kombiniert und die Treue verbessert, ohne den Optimierer zu überfordern.

Zukünftige Richtungen und aufkommende Trends

Hybride Methoden: IP + Machine Learning

Ein vielversprechender Bereich ist die Kombination von Ganzzahlprogrammierung mit maschinellem Lernen. Zum Beispiel kann ein neuronales Netzwerk die thermische Reaktion des Gebäudes vorhersagen, und dann verwendet der Solver diese prädiktiv in der Zielfunktion. Da neuronale Netzwerke nichtlinear (sogar nicht konvex) sind, werden spezielle Techniken wie mixed-Integer-Programmierung mit trainierten neuronalen Netzwerken entwickelt. Der Solver kann das neuronale Netzwerk als eine Reihe von Einschränkungen unter Verwendung von Big-M-Formulierungen einbetten, was eine End-to-End-Optimierung ermöglicht. Dies ermöglicht es dem Modell, hochpräzise Surrogate zu verwenden, ohne das IP-Framework zu opfern.