Predictive demand-side management in district heating and cooling connected buildings

Abstract

Contemporary technologies enable the control of energy consumption in buildings in a way which minimizes costs and maximizes consumer comfort. Cost reductions have been seen in District Heating and Cooling systems mostly as energy conservation. On the other hand, consumer comfort is increased by providing steadier indoor temperatures. Lately, literature present has presented a more agile approach of reducing costs by optimizing the consumption of the overall system with Demand-side Management. This approach aims to shift loads from peak load hours without necessarily reducing energy consumption.

This thesis provides a model which applies the thermal capacity of District Heating and Cooling connected buildings as thermal energy storages. An artificial District Heating system with variable production costs was developed for the model in order to form dynamic price signals. These signals were utilized in two simulations. The first optimized existing heat load data from heavy mass buildings to appraise the effect of Demand-side Management, whereas the second modelled the behaviour of individual rooms. Both simulations aimed to store heat beforehand in the building envelope and to discharge it during price peaks. This offered the possibility to consume heating energy based on individual consumption profiles and only take action when the whole system requires it.

The simulation model indicates that predictive Demand-side Management with dynamic price signals reduces heating costs in buildings by 4% during the heating period. The main cost savings occur to energy producers since variable production costs can be decreased by 6% due to load control using 15% of the building stock’s heated floor area. The room simulation demonstrated that the building components are able to store heat dynamically by intelligent prediction of occupancy, outside weather, and prices. With an autonomous auction platform, Demand-side Management activities can be targeted to buildings which are most suitable to shift demand. The order of building participation is determined by individual consumer comfort and thermal dissipation.

As predictive Demand-side Management relies on dynamic pricing and engagement of District Heating and Cooling customers and producers, the thesis proposes a concept to achieve a win-win situation for these stakeholders. In order to ensure a reasonable allocation of benefits from Demand-side Management and provide a more accurate demand prediction, new business models could emerge. These models can challenge producers and customers to revalue District Heating and Cooling.

Nykyaikaiset teknologiat mahdollistavat rakennuksen energiankulutuksen hallinnan tavalla, joka minimoi kustannuksia ja maksimoi kuluttajien mukavuutta. Kustannusten alentaminen on kaukolämmössä ja -jäähdytyksessä perinteisesti saavutettu energiansäästöllä. Kuluttajien mukavuutta on taas parannettu tasaisemmalla lämmönjakelulla. Viimeisten vuosien aikana tutkijat ovat esittäneet kysyntäjoustoa ketteränä tapana alentaa systeemitason kustannuksia. Kysyntäjousto pykii siirtämään ajallisesti osan tehon huippukuormista. Energiankulutusta ei välttämättä vähennetä.

Tämä työ tarjoaa mallin, joka hyödyntää kaukolämmitteisten rakennusten lämpökapasiteettia energiavarastoina. Mallia varten on kehitetty kaukolämpöjärjestelmä, jonka antamat hintasignaalit perustuvat muuttuviin tuotantokustannuksiin. Näitä signaaleja hyödynnettiin kahdessa simulaatiossa. Ensimmäinen optimoi kuormia systeemitasolla siirtäen olemassa olevia kulutusprofiileja, kun taas toinen simulaatio käsitteli ihanteellista huonemallia. Molempien simulaatioiden tarkoituksena on varastoida lämpöä etukäteen rakenteisiin ja purkaa sitä hintapiikkien aikana. Toisin kuin aiemmissa tutkimuksissa, lämmönsäätimet reagoivat muuttuviin hintasignaaleihin. Tällä tavalla rakennukset kuluttivat lämmitysenergiaa käyttäjien yksilöllisten kulutusprofiilien mukaisesti, ja kysyntäjoustotoimenpiteisiin ryhdyttiin, kun koko järjestelmä sitä vaati.

Simulointimalli osoitti, että ennustava kysyntäjousto voi alentaa rakennuksen lämmityskustannuksia 4% lämmityskauden aikana. Suurimmat kustannussäästöt koituvat energiantuottajille, sillä muuttuvat tuotantokustannukset laskivat simulaatiossa 6% käyttäen 15% rakennuskannan pinta-alasta hyödyksi. Huonesimulaatio osoitti, että rakennuksiin voi varastoida dynaamisesti lämpöä läsnäolon, sään ja hintojen älykkäällä ennustamisella. Itsenäisellä huutokauppa-alustalla kysyntäjouston toimintaa voidaan kohdistaa rakennuksiin, joilla on parhaimmat edellytykset siirtää hetkittäin lämmitystehoa. Tämä jako määräytyy kuluttajien mieltymysten ja rakennuksen lämpöhäviöiden mukaan.

Koska ennakoivan kysyntäjouston täyden potentiaalin hyödyntäminen perustuu asiakkaiden sekä tuottajien sitoumukseen, tutkielma ehdottaa konseptia, jossa kaikki osapuolet hyötyvät kysyntäjoustosta. Tutkielmassa käy ilmi, että uusia liiketoimintamalleja voi syntyä varmistamaan kohtuullisen hyödynjaon ja parantamaan lämpökuormien ennustettavuutta. Nämä mallit voivat haastaa osapuolia löytämään uutta arvoa kaukolämmöstä ja -jäähdytyksestä.