Demand response potential modelling in buildings – development of a calculation tool and process

Abstract

Ongoing climate change, push for energy transition, and evolving consumer behaviour are the driving efforts to replace fossil fuels with renewable energy sources to reduce emissions and achieve the decarbonisation of the energy supply. In this context, electricity plays a crucial role in the transition to cleaner energy. However, modern technology and the increasing demand for continuous power require a reliable and stable grid operation, necessitating a constant balance between supply and demand. As the share of renewable energy grows, and the supply becomes less controllable, there is a shift toward leveraging demand-side management for grid balancing. This approach is addressed by European Transmission System Operators which encourage consumers to engage in grid balancing by utilising various demand response mechanisms.

This thesis focuses on the development of a calculation tool for estimating the demand response potential and profits from the chosen case study building’s electric loads. The potential and profit calculations are based on historical hourly market prices and demand data. The calculations are conducted through an estimation scheme in which Python scripts control an external energy simulation tool that simulates the loads’ differentiated consumption patterns and eventually, the demand response potential and profits. The case study building’s data is obtained from Granlund Oy. Values needed in the calculation are obtained from manual verifications, and previous literature and studies.

The results indicate that the most profitable marketplaces during the studied period (1.6. – 31.7.) were the manual frequency restoration reserve (mFRR) capacity market and the frequency containment reserve for disturbances (FCR-D) market. From the studied three scenarios, lighting had the highest potential and profits, consistently among each marketplace. Impacts on the calculation’s execution and profits caused by external and internal factors were also investigated. The results indicate that execution speed was primarily influenced by computational capacity and memory usage, particularly when the Python script externally controlled the energy simulation tool, while the profits were mainly determined by magnitude factors, load activation time and recovery time.

Käynnissä oleva ilmastonmuutos, energiasiirtymä ja kuluttajakäyttäytymisen muutokset ohjaavat fossiilisten polttoaineiden korvaamista uusiutuvilla energialähteillä päästöjen vähentämiseksi. Tässä yhteydessä sähköllä on keskeinen rooli siirtymisessä puhtaampiin energianlähteisiin. Moderni teknologia ja kasvava kysyntä keskeytymättömästä sähköntoimituksesta edellyttävät luotettavaa ja vakaata sähköverkon toimintaa, mikä puolestaan vaatii jatkuvaa tasapainoa tarjonnan ja kysynnän välillä. Uusiutuvan energian osuuden kasvaessa ja tarjonnan muuttuessa vähemmän hallittavaksi, on siirrytty hyödyntämään kulutusjoustoa sähköverkon tasapainottamisessa. Tätä lähestymistapaa tukevat Euroopan kantaverkkoyhtiöt, jotka kannustavat kuluttajia osallistumaan verkon tasapainottamiseen erilaisten kulutusjoustomekanismien avulla.

Tämä diplomityö keskittyy laskentatyökalun kehittämiseen, joka arvioi kulutusjouston potentiaalin ja tuotot valitun esimerkkirakennuksen sähkökuormista. Potentiaali- ja tuottoarviot perustuvat historiallisiin tuntihintoihin ja kuormien kulutusdataan. Laskelmat suoritetaan prosessilla, jossa Python-koodi ajaa ulkoista energiasimulointityökalua, joka simuloi kuormien muuttuneita kulutusmalleja ja lopulta kulutusjouston potentiaalia sekä tuottoja. Esimerkkirakennuksen tiedot saadaan Granlund Oy:ltä, ja laskentaa varten tarvittavat tiedot kerätään manuaalisten tarkistusten sekä aiemman kirjallisuuden ja tutkimusten avulla.

Tulokset osoittavat, että tuottoisimpia markkinapaikkoja tarkastellulla ajanjaksolla (1.6. – 31.7.) olivat manuaalisen taajuuden palautusreservin (mFRR) kapasiteettimarkkinat sekä taajuusohjattu häiriöreservi (FCR-D). Kolmesta tutkitusta skenaariosta valaistus oli kaikissa markkinapaikoissa potentiaalisin ja tuottoisin. Myös ulkoisten ja sisäisten tekijöiden vaikutuksia laskentaan ja tuottoihin tutkittiin. Tulokset osoittavat, että laskentaan vaikuttivat ensisijaisesti laskentateho ja muistin käyttö, erityisesti kun Python-koodi ohjasi ulkoista energiasimulointityökalua, kun taas tuotot määräytyivät pääasiassa suuruuskertoimien sekä kuorman aktivointi- ja palautumisaikojen perusteella.