Demand response potential estimation of electricity consumption in commercial buildings

Abstract

The integration of renewable energy sources into the grid increases the volatility of the electricity market. However, the power balance of the grid can be achieved through demand response. Demand management in the market through demand response is possible if demand response potential estimation is sufficiently accurate. Thus, the purpose of this thesis is to estimate and forecast demand response potential in commercial buildings.

The data used for the estimation was collected from the total electricity consumption of seven air handling units in a large-sized office building. The estimation was implemented using load clustering and load baselines on an hourly basis. Demand response potential was predicted by first forecasting the load of the next day and then using the previously mentioned estimation methods. Support vector regression and a long short-term memory neural network were chosen as forecast models due to their high performance in similar studies. The results of the algorithms were evaluated using traditional machine learning accuracy metrics and a specific validation procedure.

Demand response estimations were reasonable by magnitude, and the greatest demand response potential was generally achieved during office hours. However, the accuracy of the estimates could not be properly validated due to the lack of reference data. In turn, the load forecasts had a larger error than expected, indicating that load forecasting is a challenging machine learning problem. In addition, the average demand response potential was lower than in other studies in the field. Better results could be obtained by validating the estimation models and optimizing their hyperparameters. Finally, the implementation of an aggregation model is proposed in order to provide sufficient demand response for market participation.

Uusituvien energialähteiden integroiminen sähköverkkoon lisää sähkömarkkinoiden epävakaisuutta. Sähköverkon tehotasapaino voidaan kuitenkin saavuttaa kysyntäjouston avulla. Kysynnän hallinta markkinoilla kysyntäjouston kautta on mahdollista, jos kysyntäjoustopotentiaalin estimointi on riittävän tarkkaa. Tämän tutkielman tarkoituksena on siis estimoida ja ennustaa kysyntäjoustopotentiaalia toimitilarakennuksissa.

Estimointiin käytettävä data kerättiin suurikokoisen toimistorakennuksen seitsemän ilmanvaihtokoneen kokonaissähkökulutuksesta. Estimointi toteutettiin hyödyntämällä kulutuksen klusterointia ja kulutuksen perustasoja tuntikohtaisesti. Kysyntäjoustopotentiaali ennakoitiin ennustamalla ensin seuraavan päivän kulutusta ja sen jälkeen hyödyntämällä edellä mainittuja estimointimenetelmiä. Ennustusmalleiksi valittiin tukivektoriregressio ja pitkä lyhytkestoisen muistin neuroverkko niiden korkean suorituskyvyn vuoksi vastaavissa tutkimuksissa. Algoritmien tuloksia arvioitiin käyttämällä perinteisiä koneoppimisen tarkkuusmittareita ja erityistä validointimenettelyä.

Kysyntäjoustopotentiaalin estimaatit olivat suuruudeltaan järkeviä, ja suurin kysyntäjoustopotentiaali saavutettiin yleensä toimistoaikoina. Estimaattien tarkkuutta ei kuitenkaan voitu validoida kunnolla vertailudatan puuttumisen vuoksi. Kulutusennusteissa oli puolestaan odotettua suurempi virhe, mikä osoittaa, että kulutuksen ennustaminen on haastava koneoppimisongelma. Lisäksi keskimääräinen kysyntäjoustopotentiaali oli pienempi kuin muissa alan tutkimuksissa. Parempia tuloksia voitaisiin saada validoimalla estimointimallit ja optimoimalla niiden hyperparametrit. Lopuksi ehdotetaan aggregaatiomallin toteuttamista, jotta kysyntäjoustoa saataisiin riittävästi markkinoille osallistumista varten.