Studien gick ut på att undersöka och ta fram relativa luftfuktighetsgivare som ger godkända mätvärden mellan [5%, 95%] relativ luftfuktighet med klimatkammare som referens. Med syftet att ersätta företagets givare i deras NDIR koldioxidsensor. Den skulle ersättas då deras nuvarande luftfuktighetsgivare gav felaktiga värden när klimatet gick mot antingen väldigt torrt eller fuktigt. Det är väsentligt att luftfuktighetsgivaren fungerar eftersom företaget använder värdena från givaren för att ge korrekta koldioxidmätningar i deras NDIR sensor. Detta är möjligt eftersom koldioxidhalter har visats sig påverkas av den relativa luftfuktigheten. Givarna införskaffades och monterades på PCB’s. Kod utvecklades för insamling av data genom I2C och SPI kommunikation. Givarna kördes sedan i en klimatkammare som svepte luftfuktigheten mellan [5%, 95%]. Värdena illustrerades i Matlab genom grafer. Givare 2 visade sig ge bäst värden på hela spannet jämfört med resterande givare. Den hade absolut minst avvikelse vid extrempunkterna, samt låg nära referensvärdet vid resterande luftfuktigheter i svepet [5%, 95%]. / The purpose of the study was to examine and bring forth a relative humidity sensor which gives approved values for the span between [5%, 95%] relative humidity with the climate chamber as the reference point. The goal was to replace the companies relative humdity sensor in their NDIR carbon dioxide sensor. It was to be replaced because their current sensor gave incorrect values when the climate was really humid or dry. It’s of value that the sensor gives correct values because the company uses relative humdity readings to correct their carbon dioxide reading in their NDIR sensor. The reason this works is because the carbon dioxide levels has been showed to correlate with the relative humidity. The sensors were studied and bought. They were mounted on top of PCB’s. Code was developed to gather data from I2C and SPI communication. The sensors was then put into an climate chamber and got swept between [5%,95%] relative humidity. The values were illustrated in Matlab through graphs. Sensor 2 proved to give the best values on the entire span [5%, 95%] relative humidity in comparison to the other sensors in the study. It had the least added error of all the sensors at dry/humid climates and was really close to the reference value at the other points of span [5%, 95%] relative humidity.

I projektet utreds möjligheterna kring att kunna kontrollera en generators reaktiva effektproduktion genom att styra magnetiseringsströmmen från en PLC. Som metod för styrning från PLC beslutades att en signal på 0-5V skulle användas. För att reglera magnetiseringen, och därmed i förlängningen den reaktiva effekten, beslutades att den befintliga manuella potentiometern skulle ersättas med två parallellkopplade digitala potentiometrar av typen MCP4261 som kontrollerades av en mikrokontroller. Att de digitala potentiometrarna skulle parallellkopplas beslutades efter en förstudie som visade på att det skulle resultera i en noggrannare reglering utan någon inskränkning på användbart reglerspann. Praktisk provning av mikrokontroller och digitala potentiometrar gav ett tillfredsställande och bra resultat med god upplösning. / This project investigates the possibilities of being able to control a generators reactive power production by controlling the excitation current from a PLC. As a method for controlling from PLC, it was decided that a signal of 0-5V should be used. In order to regulate the magnetization, and hence in the long term the reactive power, it was decided that the existing manual potentiometer would be replaced by two parallel-connected digital potentiometers of the type MCP4261 controlled by a microcontroller. The fact that the digital potentiometers would be connected in parallel was decided after a feasibility study which showed that in this way it would result in a more accurate regulation without any restriction on the usable control span. Practical testing of microcontrollers and digital potentiometers provided a satisfactory result with a good resolution.

Optimizing and controlling the heating systems in buildings is one way to decrease their load on the power grid, as well as introduce load flexibility to be used in Demand Response (DR) applications. A requirement in occupied buildings is that the thermal comfort of the residents is guaranteed, making the optimization of heating systems a constrained problem with respect to indoor temperature. Thermal models capable of predicting indoor temperatures over short (24 hour) horizons are one way to guarantee this comfort. The accuracy and computational complexity of these models have the most significant impact on controller performance. The data requirements and the expert knowledge required for model implementation are also important factors, since they determine the development costs and, finally, whether a model is feasible to implement. First a literature study explores current modeling approaches that depend only on time-series sensor data and that are suited for control applications. A modeling type found to be fit for such purposes are grey-box models, specifically physically inspired inverse models whose parameters are estimated based on data, such as Resistance- Capacitance (RC) models. This modeling of a dynamical system approach uses prior information in the form of the assumed physical equations and has the potential to increase the performance on sparse data problems. The simple form of the model also has a low level of complexity, making it well suited for control applications. However, expert knowledge can be needed for choosing the model equations as well as initializing the parameters. Then the effects of varying RC model complexity, parameter initialization, and training data are investigated in the case study. The chosen models are 1R1C, 2R2C, and 3R2C. They are fitted using the Nelder-Mead algorithm and validated using the data collected from the RISE Research Villa. Parameter initializations are varied by two orders of magnitude and then fitted on different data sequences to avoid relying on expert knowledge in model creation. The initializations that converged with the best R2 training fit on all sequences were deemed reasonable initializations for the problem and used in the training length comparison. The training length of the models varies from 24 to 384 hours. The results showed that increased training data length correlates positively with performance up to 192 hours for all models, but further increasing it gave inconclusive results. The higher order models evaluated struggled to beat the simplest model or even the constant prediction baseline in Mean Absolute Error (MAE) performance at all training lengths, indicating either that the models selected are unsuitable or that the data features chosen are unrepresentative of the indoor temperature dynamics. Regardless, the MAE errors presented here are comparable to the outcomes of related works. This is possibly an artifact of this dataset having a low variance in temperature and thus resulting in lower errors, which underlines the importance of the data used in case-studies. / Att optimera och styra värmesystemen i byggnader är ett sätt att minska belastningen på elnätet och införa flexibilitet i belastningen som kan användas i tillämpningar för efterfrågeflexibilitet (Demand Response, DR). Ett krav i bebodda byggnader är att de boendes termiska komfort garanteras, vilket gör optimeringen av värmesystemen till ett begränsat problem med avseende på inomhustemperaturen. Termiska modeller som kan förutsäga inomhustemperaturer på kort sikt (24 timmar) är ett sätt att garantera denna komfort. Dessa modellers noggrannhet och beräkningskomplexitet har störst inverkan på styrningens prestanda. Datakraven och den expertkunskap som krävs för att genomföra modellen är också viktiga faktorer, eftersom de avgör utvecklingskostnaderna och slutligen om en modell är möjlig att implementera. Först görs en litteraturstudie av nuvarande modelleringsmetoder som endast är beroende av tidsserier av sensordata och som lämpar sig för reglertillämpningar. En modelleringstyp som visat sig vara lämplig för sådana ändamål är grey-box-modeller, särskilt fysikaliskt inspirerade inversa modeller vars parametrar estimeras på basis av data, t.ex. RC-modeller (Resistance-Capacitance). Denna modell av ett dynamiskt system modellering använder förhandsinformation i form av de antagna fysiska ekvationerna och har potential att öka prestandan vid problem med begränsad data. Modellens enkla form har också en låg komplexitetsnivå, vilket gör den väl lämpad för kontrolltillämpningar. Expertkunskap kan dock behövas för att välja modellekvationer och initiera parametrarna. Därefter undersöks effekterna av att variera RC-modellens komplexitet, parameterinitialisering och träningsdata i fallstudien. De valda modellerna är 1R1C, 2R2C och 3R2C. De tränas med hjälp av Nelder-Mead-algoritmen och valideras med hjälp av data som samlats in från RISE Research Villa. Initialiseringarna av parametrarna varieras med två storleksordningar och anpassas sedan på olika dataserier för att undvika att förlita sig på expertkunskap vid skapandet av modellerna. De initialiseringar som konvergerade med den bästa träningsanpassningen R2 på alla sekvenser ansågs vara rimliga initialiseringar för problemet och användes i jämförelsen av träningslängden. Modellernas träningslängd varierar mellan 24 och 384 timmar. Resultaten visade att en ökad längd på träningsdata korrelerar positivt med prestanda upp till 192 timmar för alla modeller, men att ytterligare ökning inte ger några entydiga resultat. De utvärderade modellerna av högre ordning hade svårt att överträffa den enklaste modellen eller till och med referensmodellen med konstant prediktion i fråga om genomsnittligt absolut fel (MAE) vid alla träningslängder, vilket tyder antingen på att de valda modellerna är olämpliga eller att de valda datafunktionerna inte är representativa för inomhustemperaturens dynamik. Oavsett detta är de MAE-fel som presenteras här jämförbara med resultaten från relaterade studier. Detta är möjligen en artefakt av att detta dataset har en låg varians i temperaturen och därmed resulterar i lägre fel, vilket understryker vikten av de data som används i fallstudier.