MATLAB y Simulink para gestión energética de edificios
Análisis de sistemas de energía y diseño de sistemas de gestión energética
Con MATLAB y Simulink, puede diseñar sistemas de gestión energética (EMS) inteligentes y eficientes con estrategias dinámicas, datos en tiempo real y mayor nivel de automatización de las operaciones de EMS. Puede utilizar MATLAB y Simulink en el flujo de trabajo de desarrollo de un EMS, desde acceso a datos y modelado, hasta optimización y despliegue.
- Cree modelos de predicción de demanda, tarifas y generación de electricidad, y condiciones meteorológicas
- Modele, simule y diseñe estrategias de control de EMS óptimas para planificar operaciones de sistemas de energía y sistemas de climatización
- Genere código para control de supervisión en dispositivos edge y despliéguelo en controladores integrados
- Despliegue software de optimización de operaciones en entornos de producción en la nube
Con MATLAB y Simulink, puede realizar predicciones basadas en datos sobre factores técnicos, económicos y del medio ambiente, para optimizar las operaciones de un sistema de gestión energética de un edificio.
- Acceda a datos de series temporales de archivos o bases de datos
- Realice preprocesamiento de datos, análisis y visualización en MATLAB con apps interactivas y flujos de trabajo automatizados
- Seleccione modelos estadísticos, econométricos o de Machine Learning y Deep Learning prediseñados
- Entrene modelos de predicción en paralelo y evalúe el rendimiento
- Integre el modelo de predicción del consumo energético entrenado directamente en Simulink, para realizar simulaciones con el modelo del sistema físico
Pruebe estos ejemplos
Puede utilizar MATLAB y Simulink como entorno de diseño para modelado de sistemas eléctricos, y diseño de control y optimización de EMS.
- Cree modelos basados en la física del sistema eléctrico de un edificio con Simulación de sistemas de energía Onramp y ejecute simulaciones de rendimiento
- Diseñe estrategias de control para EMS, como control predictivo basado en modelos (MPC) y Reinforcement Learning
- Utilice Optimization Toolbox para formular y resolver problemas de optimización para identificar la configuración óptima de un sistema
- Simule el comportamiento en nivel de sistema con diferentes escenarios
- Analice el impacto técnico y económico de distintos diseños de sistemas
Pruebe estos ejemplos
Más información
- BuildingIQ desarrolla algoritmos proactivos para la optimización energética del sistema de climatización en edificios de gran tamaño - Caso práctico
- EVLO Energy Storage acelera el desarrollo de sistemas de gestión energética con diseño basado en modelos - Caso práctico
- Un motor de análisis y un gemelo digital revelan el coste energético oculto de edificios – Boletín
Vídeos
- Optimización de sistemas de gestión energética (29:34)
- Optimización del almacenamiento de energía (20:50)
- Modelado y simulación de sistemas de climatización con Simulink y Simscape (50:09)
- Gemelo digital de un sistema de climatización para diseño de control (1:02:29)
- Verificación de algoritmos de sistemas de climatización y generación de código (1:01:04)
- Gestión energética con MPC basado en Deep Learning (8:09)
Ejemplos
- Simulación interactiva del modelo térmico de una residencia
- Sistema de control de temperatura y comunicación de mensajes
- Control de un sistema de calefacción residencial utilizando MPC no lineal con un modelo de predicción de espacio de estados neuronal
- Entrenamiento de un agente DQN con una red LSTM para controlar un sistema de calefacción residencial
Puede validar el diseño de un EMS en edificios generando código a partir del modelo del sistema, lo que permite pasar rápidamente de la simulación en escritorio a la simulación en tiempo real. Puede desplegar controles en dispositivos edge, y sistemas de gestión operativa en la nube.
- Genere código C/C++ legible y eficiente a partir de un modelo de controlador de Simulink para desplegarlo en un procesador integrado
- Genere código C para la planta, para su despliegue en un equipo en tiempo real
- Ejecute simulaciones de hardware-in-the-loop (HIL) para validar estrategias de gestión energética de edificios relacionadas con el sistema eléctrico
- Despliegue algoritmos de control de supervisión en dispositivos edge
- Despliegue algoritmos de optimización de operaciones basados en MATLAB en entornos de nube utilizando MATLAB Web App Server y MATLAB Production Server
Casos prácticos
Recursos y soporte
Cursos introductorios Onramp
Más información sobre gestión energética de edificios
- Modelos de Machine Learning
- Optimización de diseños
- Simulación y optimización de sistemas de energía
- Predicción de carga energética
- Pruebas de hardware-in-the-loop (HIL) para electrónica de potencia
- Corrección del factor de potencia
- Simulación de electrónica de potencia
- Simulación de hardware-in-the-loop (HIL)
- Simulación en tiempo real
