A Methodology for the Enhancement of the Energy Flexibility and Contingency Response of a Building through Predictive Control of Passive and Active Storage
Notice bibliographique
Résumé
Optimal management of thermal energy storage in a building is essential to provide predictable energy flexibility to a smart grid. Active technologies such as Electric Thermal Storage (ETS) can assist in building heating load management and can complement the building’s passive thermal storage capacity. The presented paper outlines a methodology that utilizes the concept of Building Energy Flexibility Index (BEFI) and shows that implementing Model Predictive Control (MPC) with dedicated thermal storage can provide predictable energy flexibility to the grid during critical times. When the utility notifies the customer 12 h before a Demand Response (DR) event, a BEFI up to 65 kW (100% reduction) can be achieved. A dynamic rate structure as the objective function is shown to be successful in reducing the peak demand, while a greater reduction in energy consumption in a 24-hour period is seen with a rate structure with a demand charge. Contingency reserve participation was also studied and strategies included reducing the zone temperature setpoint by 2∘C for 3 h or using the stored thermal energy by discharging the device for 3 h. Favourable results were found for both options, where a BEFI of up to 47 kW (96%) is achieved. The proposed methodology for modeling and evaluation of control strategies is suitable for other similar convectively conditioned buildings equipped with active and passive storage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».