Predictive demand side management strategies for residential building energy systems

Harb, Hassan; Müller, Dirk (Thesis advisor); Monti, Antonello (Thesis advisor)

Aachen / E.ON Energy Research Center, RWTH Aachen University (2017) [Buch, Doktorarbeit]

Seite(n): 1 Online-Ressource (xxix, 126 Seiten) : Illustrationen

Kurzfassung

Diese Arbeit stellt eine Methodik und ein Software-Framework vor, um prädiktive Demand-Side-Management-Strategien (DSM) zu modellieren und zu evaluieren. Das Ziel dabei ist es, die thermische und elektrische Flexibilität von Gebäudeenergiesystemen (GES) auszuschöpfen, um die Integration von erneuerbaren Energiequellen zu fördern.Die Modellierungs- und Simulationsplattform ist in Python formuliert und enthält verschiedene Prognosemethoden sowie eine GES-Modellierungsbibliothek auf Basis der Gurobi-Optimizer-API. Des Weiteren ist ein nicht-lineares GES-Dymola/Modelica-Modell als Functional Mock-Up-Unit (FMU) in die Plattform integriert. Die Evaluierung der Vorhersagemethoden zeigt, dass Support-Vector-Regression den geringsten Prognosefehler bei der Vorhersage des elektrischen und des Raumwärmebedarfs erlaubt. ARMA liefert das beste Ergebnis für die Vorhersage der Wettervariablen, wie Temperatur oder Sonnenstrahlung. Die Persistenz-Methode wird für die Vorhersage des Warmwasserbedarfs verwendet. Die vorgestellten Heimenergiemanagementsysteme (HEMS) für einzelne Gebäude bestehen aus einer deterministischen GGLP-Strategie sowie einem mehrstufigen stochastischen Programmierungsansatz (SP), der das GGLP-Modell erweitert und dabei die Unsicherheiten der elektrischen und thermischen Anforderungen berücksichtigt. Die DSM-Strategien für Stadtquartiere umfassen einen zentralisierten Ansatz, der als Benchmark dient, sowie verteilte Formulierungen auf Basis von Dekompositionsverfahren. In dieser Arbeit werden zwei verteilte DSM-Ansätze formuliert: Dantzig-Wolfe-Decomposition basierte Column-Generation-Algorithmen (CG) sowie eine integrierte Lagrange-Decomposition-Column-Generation (LRCG). Die Ergebnisse zeigen, dass prädiktive HEMS mit perfekter Information die Einbindung von lokal erzeugtem PV-Strom erhöhen und ein großes Potenzial der Lastverschiebung und Kostenreduzierung gegenüber einer reaktiven Steuerstrategie ermöglichen. Der Einsatz von Prognosen der Wetter- und Energiebedarfsvariablen innerhalb des deterministischen Scheduling-Modells reduziert dieses Potenzial, ermöglicht aber dennoch eine höhere Einbindung von PV-Strom sowie eine Kostenreduzierung gegenüber der reaktiven Strategie. Das SP-Modell übertrifft den deterministischen Ansatz, bewirkt aber einen größeren Modellierungs- und Berechnungsaufwand. Die Analyse der DSM-Strategien für Stadtquartiere zeigt, dass der CG-Ansatz eine vergleichbare Koordination wie das zentrale Modell bietet und gleichzeitig den Rechenaufwand deutlich reduziert. Darüber hinaus ermöglicht der integrierte LRCG-Ansatz eine schnellere Konvergenz gegenüber der standard CG-Formulierung.

Identifikationsnummern

  • ISBN: 978-3-942789-50-9
  • REPORT NUMBER: RWTH-2017-09952

Downloads