Modelling District Heating and Combined Heat and Power
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Doctoral thesis (article-based)
| Defence date: 2016-06-16
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2016
Major/Subject
Mcode
Degree programme
Language
en
Pages
83 + app. 73
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 107/2016
Abstract
Combined heat and power (CHP) and district heating (DH) systems are becoming the main-stream technology due to its outstanding energy efficiency and environmental friendliness. In order to better use CHP and DH, we develop a set of models to manage CHP-DH systems. The models can be used sequentially or independently to serve different purposes. We first design a model for the DH systems to forecast heat demand based on the historical customer consumption and weather information. The model was built based on linear regression where outdoor temperature and wind speed predict heat demand. Accuracy of the model was significantly improved by adding different weekly rhythms of heat consumption to the model. The results indicate that the proposed linear regression model (T168h) using 168-hour demand pattern with midweek holidays classified as Saturdays or Sundays gives the highest accuracy among all the tested models. The forecasting model can be the premise of the production planning for DH or CHP systems. In parallel, another model is designed to estimate the water flows, temperatures, and heat losses in different parts of the DH network using automated hourly meter readings from customers. The model can be applied to arbitrary DH networks. According to the uncertainty analysis, the estimation model is robust with respect to the measurement uncertainty. Reliable and automatic DH network state estimation is a prerequisite for various operational network management and optimization tasks. On top of the abovementioned 2 models, optimization is developed in two directions: one direction is to optimize the heat production simultaneously at multiple heat plants at different locations of a DH network in order to minimize the production and distribution costs. The model is based on the static DH system model; it can determine the optimal supply temperatures at different heat plants and optimal load allocation between the plants. Because the objective function is a non-convex and non-smooth function of the decision variables, the genetic algorithm (GA) is applied to solve the problem. Optimization can result in savings in fuel and pumping costs. The other direction is to optimize the heat production between a CHP system and heat storage in order to minimize the net operating cost based on a sliding time window method which considers the uncertainty of the forecasts instead of assuming perfect information of heat demand and power sales price for the planning horizon. The model can be applied for both optimally operating heat storage and supporting investment planning for a new storage. The CHP optimization model based on sliding time window method can achieve 90% of the theoretically possible savings. Overall the key value of this thesis is to enhance the design and operation of CHP and DH systems.Yhdistetty lämmön ja sähkön tuotanto (CHP) ja kaukolämmitys (KL) ovat yleistymässä koska näiden teknologioiden etuna on erinomainen energiatehokkuus ja ympäristöystävällisyys. CHP:n ja KL:n edistämiseksi työssä kehitettiin joukko malleja CHP-KL–pohjaisten järjestelmien käytön hallintaan. Malleja voidaan käyttää peräkkäin tai toisistaan riippumatta erilaisiin tarkoituksiin. Ensimmäiseksi kehitettiin kaukolämmön kulutuksen ennustusmalli pohjautuen kulutushistoriaan ja säätietoihin. Ennustusmalli perustui lineaariseen regression, missä ulkolämpötila ja tuulen nopeus ennustivat lämmön kulutusta. Mallin tarkkuus parani merkittävästi lisäämällä siihen viikottainen kulutusrytmi. Tulosten perusteella regressiomalli jossa sovellettiin 168 tunnin rytmiä siten, että arkipyhät luokiteltiin lauantaiksi tai sunnuntaiksi, tuotti tarkimmat ennusteet. Ennustusmallia voidaan käyttää pohjana KL- tai CHP-järjestelmien tuotannonsuunnittelussa. Rinnakkain ennustusmallin kanssa kehitettiin kaukolämpöverkon tilan estimointimalli, jolla voidaan tunnittaisiin kulutusmittauksiin perustuen estimoida veden virtaukset, lämpötilat ja lämpöhäviöt KL-verkoston eri osissa. Mallia voidaan soveltaa mielivaltaisissa KL-verkostoissa. Epävarmuusanalyysin perusteella malli todettiin robustiksi mittausvirheiden suhteen. Luotettava ja automaattinen KL-verkoston tilan estimointi on tarpeen erilaisissa verkoston hallinnan ja optimoinnin tehtävissä. Yllämainittujen kahden mallin päälle toteutettiin kaksi optimiontimallia. Ensimmäinen näistä on malli lämmön tuotannon optimoimiseksi usean lämmöntuotantolaitoksen kesken tuotanto- ja jakelukustannusten minimoimiseksi. Malli perustuu staattiseen KL-järjestelmän malliin ja sitä voidaan käyttää määrittämään optimaaliset syöttölämpötilat ja laitosten välinen kuormanjako. Koska kohdefunktio on ei-konveksi ja epäsileä, optimoinnissa sovellettiin geneettistä algoritmia. Optimoinnilla voidaan saavuttaa säästöjä polttoaine- ja pumppauskustannuksissa. Toinen optimointimalli kehitettiin CHP-tuotannon ja lämpövaraston netto käyttökustannusten minimointiin. Netto käyttökustannuksilla tarkoitetaan tuotantokustannuksia vähennettynä sähkön myyntituloilla. Malli perustuu liukuvaan aikaikkunaa, missä otetaan huomioon lämmön kulutuksen ja sähkön markkinahinnan ennusteiden epävarmuus, sen sijaan että oletettaisiin täydellinen informaatio tulevasta. Mallia voidaan soveltaa sekä lämpövaraston käytön optimointiin, että uuden varaston investointisuunnitteluun. Liukuvan aikaikkunan mallilla saavutettiin 90% teoreettisesti saavutettavissa olevista säästöistä. Työn pääkontribuutio on parantaa CHP- ja KL-järjestelmien suunnittelua ja käyttöä.Description
Supervising professor
Lahdelma, Risto, Prof., Aalto University, Department of Mechanical Engineering, FinlandThesis advisor
Lahdelma, Risto, Prof., Aalto University, Department of Mechanical Engineering, FinlandKeywords
district heating, combined heat and power, optimization, production planning, heat demand forecast, state estimation, kaukolämpö, yhdistetty sähkön ja lämmöntuotanto, optimointi, tuotannonsuunnittelu, lämmön kulutusennuste, tilan estimointi
Other note
Parts
- [Publication 1]: Fang, Tingting and Lahdelma, Risto. (2016). Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system. Submitted to Applied Energy, currently under review
-
[Publication 2]: Fang, Tingting and Lahdelma, Risto. (2014). State estimation of district heating network based on customer measurements. Applied Thermal Engineering, 73(1), 1211-1221.
DOI: 10.1016/j.applthermaleng.2014.09.003 View at publisher
-
[Publication 3]: Fang, Tingting and Lahdelma, Risto. (2013). Uncertainty Analysis of District Heating State Estimation Model. In Proceedings of the 32nd IASTED International Conference on Modelling, Identification and Control (MIC), Innsbruck, Austria. p. 380-387.
DOI: 10.2316/P.2013.794-077 View at publisher
-
[Publication 4]: Fang, Tingting and Lahdelma, Risto. (2015). Genetic optimization of multiplant heat production in district heating networks. Applied Energy, 159, 610-619.
DOI: 10.1016/j.apenergy.2015.09.027 View at publisher
-
[Publication 5]: Fang, Tingting and Lahdelma, Risto. (2016). Optimization of combined heat and power production with heat storage based on sliding time window method. Applied Energy, 162, 723-732.
DOI: 10.1016/j.apenergy.2015.10.135 View at publisher