Sliding window games for cooperative building temperature control using a distributed learning method

Abstract

In practice, an energy consumer often consists of a set of residential or commercial buildings, with individual units that are expected to cooperate to achieve overall optimization under modern electricity operations, such as time-of-use price. Global utility is decomposed to the payoff of each player, and each game is played over a prediction horizon through the design of a series of sliding window games by treating each building as a player. During the games, a distributed learning algorithm based on game theory is proposed such that each building learns to play a part of the global optimum through state transition. The proposed scheme is applied to a case study of three buildings to demonstrate its effectiveness.

Keywords

game theory / demand response / HVAC control / multi-building system

References

[1] Chai B, Chen  J, Yang Z ,  Zhang Y  (2014). Demand response management with multiple utility companies: a two-level game approach. IEEE Transactions on Smart Grid, 5(2): 722–731 

[2] Deng R, Yang  Z, Chen J ,  Asr N R ,  Chow M Y  (2014). Residential energy consumption scheduling: a coupled-constraint game approach. IEEE Transactions on Smart Grid, 5(3): 1340–1350 

[3] Deng R, Yang  Z, Chow M Y ,  Chen J (2015). A survey on demand response in smart grids: mathematical models and approaches. IEEE Transactions on Industrial Informatics, 11(3): 570–582 

[4] Deng R, Zhang  Z, Ren J ,  Liang H  (2016). Indoor temperature control of cost-effective smart buildings via real-time smart grid communications. In: Global Communications Conference (GLOBECOM), 2016 IEEE. IEEE, 1–6

[5] Dimarogonas D V ,  Frazzoli E ,  Johansson K H  (2012). Distributed event-triggered control for multi-agent systems. IEEE Transactions on Automatic Control, 57(5): 1291–1297 

[6] Dounis A, Manolakis  D (2001). Design of a fuzzy system for living space thermal-comfort regulation. Applied Energy, 69(2): 119–144 

[7] Dounis A I, Caraiscos  C (2009). Advanced control systems engineering for energy and comfort management in a building environment—a review. Renewable & Sustainable Energy Reviews, 13(6–7): 1246–1261 

[8] Fan Y, Feng  G, Wang Y ,  Song C (2013). Distributed event-triggered control of multi-agent systems with combinational measurements. Automatica, 49(2): 671–675 

[9] Forouzandehmehr N, Perlaza  S M, Zhu  H, Poor H V  (2013). A satisfaction game for heating, ventilation and air conditioning control of smart buildings. In: Proc. IEEE GLOBECOM, 3164–3169

[10] Kolokotsa D, Stavrakakis  G, Kalaitzakis K ,  Agoris D  (2002). Genetic algorithms optimized fuzzy controller for the indoor environmental management in buildings implemented using PLC and local operating networks. Engineering Applications of Artificial Intelligence, 15(5): 417–428 

[11] Kummert M, André  P, Nicolas J  (2001). Optimal heating control in a passive solar commercial building. Solar Energy, 69: 103–116 

[12] Levermore G J  (2000). Building Energy Management Systems: Applications to Low-Energy HVAC and Natural Ventilation Control. Oxfordshire: Taylor & Francis

[13] Li N, Chen  L, Low S H  (2011). Optimal demand response based on utility maximization in power networks. In: 2011 IEEE Power and Energy Society General Meeting. IEEE, Piscataway, 1–8

[14] Li Z, Ren  W, Liu X ,  Fu M (2013). Distributed containment control of multi-agent systems with general linear dynamics in the presence of multiple leaders. International Journal of Robust and Nonlinear Control, 23(5): 534–547 

[15] Ma J, Qin  J, Salsbury T ,  Xu P (2012). Demand reduction in building energy systems based on economic model predictive control. Chemical Engineering Science, 67(1): 92–100 

[16] Ma J, Qin  S J, Li  B, Salsbury T  (2011). Economic model predictive control for building energy systems. In: Innovative Smart Grid Technologies, 2011 IEEE PES. IEEE, 1–6

[17] Ma J, Qin  S J, Salsbury  T (2014). Application of economic MPC to the energy and demand minimization of a commercial building. Journal of Process Control, 24(8): 1282–1291 

[18] Marden J R, Young  H P, Pao  L Y (2014). Achieving Pareto optimality through distributed learning. SIAM Journal on Control and Optimization, 52(5): 2753–2770 

[19] McCartney K J ,  Nicol J F  (2002). Developing an adaptive control algorithm for Europe. Energy and Buildings, 34: 623–635

[20] Mohsenian-Rad A H ,  Wong V W ,  Jatskevich J ,  Schober R ,  Leon-Garcia A  (2010). Autonomous demand-side management based on game-theoretic energy consumption scheduling for the future smart grid. IEEE Transactions on Smart Grid, 1(3): 320–331 

[21] Moon J W, Kim  J J (2010). Ann-based thermal control models for residential buildings. Building and Environment, 45(7): 1612–1625 

[22] Oldewurtel F, Parisio  A, Jones C N ,  Morari M ,  Gyalistras D ,  Gwerder M ,  Stauch V ,  Lehmann B ,  Wirth K  (2010). Energy efficient building climate control using stochastic model predictive control and weather predictions. In: American Control Conference (ACC), 58(8):5100–5105

[23] Shaikh P H, Nor  N B M, Nallagownden  P, Elamvazuthi I ,  Ibrahim T  (2014). A review on optimized control systems for building energy and comfort management of smart sustainable buildings. Renewable & Sustainable Energy Reviews, 34: 409–429 

[24] Širokỳ J, Oldewurtel  F, Cigler J ,  Prívara S  (2011). Experimental analysis of model predictive control for an energy efficient building heating system. Applied Energy, 88(9): 3079–3087 

[25] Wang S, Ma  Z (2008). Supervisory and optimal control of building HVAC systems: a review. HVAC & R Research, 14(1): 3–32 

[26] Weng T, Agarwal  Y (2012). From buildings to smart building-sensing and actuation to improve energy efficiency. IEEE Design & Test of Computers, 29(4): 36–44 

[27] Wright J A, Loosemore  H A, Farmani  R (2002). Optimization of building thermal design and control by multi-criterion genetic algorithm. Energy and Buildings, 34: 959–972

[28] Zaheer-Uddin M, Zheng  G (2000). Optimal control of time-scheduled heating, ventilating and air conditioning processes in buildings. Energy Conversion and Management, 41(1): 49–60 

[29] Zhang Z, Deng  R, Yuan T ,  Qin S J  (2017). Distributed optimization of multi-building energy systems with spatially and temporally coupled constraints. In: American Control Conference (ACC), IEEE, 2913–2918

[30] Zhang Z, Deng  R, Yuan T ,  Joe Qin S  (2016). Bi-level demand response game with information sharing among consumers. IFAC-PapersOnLine, 49(7): 663–668 

[31] Zhang Z, Li  G, Salsbury T ,  Qin S J  (2014). 389842 Game theory based distributed temperature control for energy saving of smart buildings. In: 2014 AICHE Annual Meeting, Atlanta, GA

Rights & permissions

The Author(s) 2017. Published by Higher Education Press. This is an open access article under the CC BY license (http://creativecommons.org/licenses/by/4.0)