Abstract

The short-term heat storage capacity of buildings offers possibilities to improve the energy efficiency and flexibility of energy systems. It can be used to alter heat consumption, for example by cutting peak loads, but efficient utilization requires the prediction of heat demand. Mathematical modelling can be used in developing prediction models for this. However, the predictive thermal modelling of buildings can be time-consuming, which hinders the efficient utilization of the storage capacity of buildings on large scale. The aim of this research was to develop generalizable and easy to implement modelling methods for predicting the indoor temperature and heat demand in buildings while providing sufficient prediction accuracy for application in predictive optimization. This would enable buildings to be used efficiently for short-term heat storage. The generalizability and ease of implementation would facilitate the application of prediction models in district- and city-level predictive optimization. The prediction models developed for indoor temperature and heat demand are based on Newton’s cooling law. The models use readily available measurement data and have a small number of parameters to facilitate their implementation. Measurement data from multiple buildings were utilized in the development and validation of the prediction models to study their generalizability. The models were then applied to the predictive optimization. The results indicate that the same parametrized version of the heat transfer equation is suitable for predicting the indoor temperature variation and heat demand in large buildings with sufficient accuracy for application in predictive optimization. A small number of parameters and readily available measurement data facilitate the wide implementation of the prediction models. The verified generalizability together with their easy implementation enable the models to be used in city-level predictive optimization. Furthermore, the results showed that it is possible to alter the heat demand at city-level and to achieve significant peak load cuts by applying the developed prediction models and by utilizing buildings for short-term heat storage. All of this serves the development of city-level demand-side management schemes that aim to increase the energy efficiency and flexibility of energy systems.

Tiivistelmä

Rakennusten lyhytaikainen lämmönvarastointikapasiteetti tarjoaa mahdollisuuksia energiajärjestelmien energiatehokkuuden ja joustavuuden parantamiseen. Tätä voidaan käyttää lämmönkulutuksen muuttamiseen esimerkiksi leikkaamalla huippukulutusta, mutta sen tehokas hyödyntäminen vaatii lämmönkulutuksen ennustamista. Matemaattista mallinnusta voidaan käyttää ennustemallien kehittämiseen tähän tarkoitukseen. Ennustava mallintaminen on kuitenkin tyypillisesti hyvin aikaa vievää, mikä estää rakennusten lämmönvarastointikapasiteetin tehokkaan hyödyntämisen suuressa mittakaavassa. Tämän tutkimuksen tarkoituksena oli kehittää yleistettäviä ja helposti käyttöönotettavia mallinnusmenetelmiä sisälämpötilan ja lämmönkulutuksen ennustamiseen rakennuksissa riittävällä tarkkuudella ennustavan optimoinnin tarpeisiin. Tämä mahdollistaisi rakennusten tehokkaan hyödyntämisen lyhytaikaisina lämpövarastoina. Ennustemallien yleistettävyys ja käytön helppous mahdollistaisivat mallien soveltamisen lämmönkulutuksen ennustavassa optimoinnissa kortteli- ja kaupunkitasolla. Kehitetyt ennustemallit sisälämpötilalle ja lämmönkulutukselle perustuvat Newtonin jäähtymisyhtälöön. Mallit käyttävät helposti saatavissa olevaa mittaustietoa ja niissä on pieni määrä parametreja, mikä helpottaa niiden käyttöönottoa. Ennustemallien kehittämisessä ja validoinnissa käytettiin mittaustietoa useista eri rakennuksista yleistettävyyden tutkimiseksi. Malleja sovellettiin sitten ennustavaan optimointiin. Tulokset osoittavat, että samaa parametrisoitua lämmönsiirtoyhtälöä voidaan käyttää sisälämpötilan ja lämmönkulutuksen ennustamiseen suurissa rakennuksissa riittävällä tarkkuudella ennustavan optimoinnin tarpeisiin. Pieni määrä parametreja ja helposti saatavissa oleva mittaustieto helpottavat mallien laajaa käyttöönottoa. Todennettu yleistettävyys yhdessä helpon käyttöönoton kanssa mahdollistavat mallien hyödyntämisen kaupunkitason ennustavassa optimoinnissa. Tulosten mukaan lämmönkulutusta voidaan muuttaa kaupunkitasolla ja merkittäviä leikkauksia huippukulutuksessa voidaan saavuttaa soveltamalla kehitettyjä ennustemalleja ja hyödyntämällä rakennuksia lyhytaikaisina lämpövarastoina. Tutkimuksen tuloksia voidaan hyödyntää kaupunkitason kysyntäjoustojärjestelmien kehityksessä energiatehokkuuden ja joustavuuden lisäämiseksi energiajärjestelmissä.