Enhancing Control and Operational Efficiency In District Cooling Plants Through Machine Learning & Predictive Analytics. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Almohnna_MS_Thesis_May_29.pdf Restricted to Repository staff only until 29 May 2026. Download (8MB)

Arabic Abstract

تُعدّ محطات التبريد المركزية حلولاً مبتكرة وفعّالة لتلبية احتياجات التبريد في المناطق ذات الأحمال الحرارية المرتفعة، مثل المملكة العربية السعودية، حيث يستهلك التكييف نحو ٧٠٪ من إجمالي الكهرباء في المنازل. ومع ذلك، لا تزال أساليب التحكم التقليدية عاجزة عن استثمار كامل إمكانات هذه المحطات. يهدف هذا البحث إلى رفع كفاءة تشغيل محطة تبريد مركزية في مدينة الظهران عبر توظيف تقنيات التعلم الآلي والتحليلات التنبؤية. في المرحلة الأولى، طوَّر البحث نموذجاً تنبؤياً معتمداً على الشبكات العصبية لتحليل السلاسل الزمنية، وقد دُرّب هذا النموذج على بيانات تشغيلية من نظام التحكم بالمحطة وبيانات الطقس بهدف التنبؤ بحجم طلب التبريد قصير المدى. ثم استُخدِم حجم الطلب المتوقع ضمن استراتيجية تحكُّم مُحسنة لتحديد جداول تشغيل المبردات ونظام التخزين الحراري على مدار اليوم، مع الاعتماد على خوارزمية متقدمة مستوحاة من سلوك أسراب الطيور لتحسين قرارات التشغيل. في المرحلة الثانية، أضيفت آلية لإعادة توزيع الأحمال بين المبردات بناءً على كفاءتها الحرارية، ما أسهم في تعزيز فعالية استهلاك الطاقة بشكل إضافي. اختُبِرت هذه المنهجية في بيئة محاكاة مُعتمدة، فحققت في المرحلة الأولى توفيراً في الطاقة بنسبة ٨.١٪ مقارنةً بإستراتيجية التشغيل التقليدية للمحطة. وعند تطبيق آلية إعادة توزيع الأحمال وفقاً لكفاءة المبردات، ارتفع معدل التوفير إلى ١٣.٧٪ أي ما يعادل ٦.١ جيجاوات-ساعة، مما يسهم في تقليل التكاليف بما يقارب ١.٨٢ مليون ريال سعودي، وخفض انبعاثات ثاني أكسيد الكربون بنحو ٣٧٦٠ طن، وذلك خلال فترة الاختبار المُمتدة ثمانيةَ أشهر. كما أسفرت هذه المنهجية عن تحسينات تشغيلية أخرى، منها خفض ساعات تشغيل المبردات بنسبة ٨٪ وتقليل عدد مرات تشغيلها اليومية، ما يساهم في زيادة عمر المبردات الافتراضي ويقلل من تكاليف الصيانة.

English Abstract

District Cooling Plants (DCPs) are important to sustainable cooling in hot and humid climates such as Saudi Arabia, where HVAC consume 70% of residential electricity. However, conventional rule‑based controls often fall short of realizing a DCP full efficiency potential. This thesis introduces a machine learning and optimization framework for a large‑scale DCP in Dhahran, Saudi Arabia, with the objective of reducing energy consumption and improving operational efficiency. A Temporal Convolutional Network (TCN) was trained on historical SCADA, operational, and weather data to produce accurate 24‑hour forecasts of cooling demand. These forecasts fed a Model Predictive Control (MPC) scheme equipped with Particle Swarm Optimization (PSO) that scheduled chiller operation and Thermal Energy Storage (TES) usage over a rolling 24‑hour horizon. A second‑stage optimizer then redistributed loads among chillers based on their Coefficients of Performance (COP), which further improved efficiency. The developed framework was tested in a validated simulation environment, where stage‑one optimization delivered an 8.1% energy savings compared to the DCP baseline strategy. Adding the COP-prioritized chiller dispatch increased total savings to 13.7%, translating into substantial benefits of 6.1 GWh of electricity savings, cost reductions of 1.82 million SAR, and CO2 emissions reduction of 3,760 tons over the 8-month testing period. Other operational improvements included an 8% reduction in chiller run‑hours, and a reduction in daily chillers startups.

Item Type:	Thesis (Masters)
Subjects:	Mechanical
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Mokheimer, Esmail M. A.
Committee Members:	Alzaydi, Ammar A and Ahmad, Irfan
Depositing User:	ABDULMAJEE ALMOHNNA (g201531690)
Date Deposited:	29 May 2025 10:13
Last Modified:	29 May 2025 10:13
URI:	http://eprints.kfupm.edu.sa/id/eprint/143479