University of Oulu

Predictive optimization of heat demand utilizing heat storage capacity of buildings

Saved in:
Author: Hietaharju, Petri1,2
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Technology, Process Engineering, Environmental and Chemical Engineering (ECE)
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 1.8 MB)
Persistent link: http://urn.fi/urn:isbn:9789526231310
Language: English
Published: Oulu : University of Oulu, 2021
Publish Date: 2021-11-19
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented with the assent of the Doctoral Training Committee of Technology and Natural Sciences of the University of Oulu for public defence in the OP-Pohjola auditorium (L6), Linnanmaa, on 26 November 2021, at 12 noon
Tutor: Professor Mika Ruusunen
Professor Kauko Leiviskä
Reviewer: Professor Risto Lahdelma
Associate Professor Mika Luoranen
Opponent: Docent Peter Ylén
Description:

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.

see all

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.

see all

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

  1. Hietaharju, P., Ruusunen, M., & Leiviskä, K. (2018). A dynamic model for indoor temperature prediction in buildings. Energies, 11(6), 1477. https://doi.org/10.3390/en11061477

    Rinnakkaistallennettu versio / Self-archived version

  2. Hietaharju, P., Ruusunen, M., & Leiviskä, K. (2019). Enabling demand side management: heat demand forecasting at city level. Materials, 12(2), 202. https://doi.org/10.3390/ma12020202

    Rinnakkaistallennettu versio / Self-archived version

  3. Hietaharju, P., & Ruusunen, M. (2018). Peak load cutting in district heating network. In E. Juuso, E. Dahlquist, & K. Leiviskä (Eds.), Proceedings of the 9th EUROSIM Congress on Modelling and Simulation, EUROSIM 2016, The 57th SIMS Conference on Simulation and Modelling SIMS 2016 (pp. 99–104). Linköping University Electronic Press. https://doi.org/10.3384/ecp1714299

  4. Hietaharju, P., Ruusunen, M., Leiviskä, K., & Paavola, M. (2019). Predictive optimization of the heat demand in buildings at the city level. Applied Sciences, 9(10), 1994. https://doi.org/10.3390/app9101994

    Rinnakkaistallennettu versio / Self-archived version

see all

Series: Acta Universitatis Ouluensis. C, Technica
ISSN: 0355-3213
ISSN-E: 1796-2226
ISSN-L: 0355-3213
ISBN: 978-952-62-3131-0
ISBN Print: 978-952-62-3130-3
Issue: 812
Type of Publication: G5 Doctoral dissertation (articles)
Field of Science: 213 Electronic, automation and communications engineering, electronics
Subjects:
Copyright information: © University of Oulu, 2021. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.