K-means and agglomerative clustering for source-load mapping in distributed district heating planning
Notice bibliographique
Résumé
• Data-driven clustering optimizes heat source placement in Stockholm's district heating network. • Distributed sources supply 54% of annual heat demand (7.7 TWh/year) from data centers, water bodies, and supermarkets. • Marginal heat costs (12.7–20 EUR/MWh) are below market prices, confirming economic feasibility. • Scalable framework offers sustainable solutions for district heating in global urban contexts. • Findings guide policy for cost-effective, low-carbon energy systems. This study introduces a high-resolution, data-driven approach for optimizing district heating networks using source-load mapping, focusing on Stockholm as a case study. The methodology integrates detailed building energy performance data (2014–2022) with geographic data from the Swedish Survey Agency, employing advanced clustering techniques such as K-means Clustering, Agglomerative Clustering, DBSCAN, Spectral Clustering, and Gaussian Mixture Model (GMM) Clustering to identify optimal locations for distributed heat sources, including data centers, supermarkets, and water bodies. Quantitative results show that these environmentally friendly sources could supply 54 % of Stockholm’s total annual heat demand of 7.7 TWh/year, equating to 4.2 TWh from residual heat sources. Data centers contribute 0.48 TWh, water bodies provide 3.4 TWh, and supermarkets contribute 0.3 TWh annually. Economic analysis further reveals that 98 % of residual heat sources are economically viable, with marginal costs of heat (MCOH) for data centers, supermarkets, and water bodies estimated at 12.7 EUR/MWh, 16.0 EUR/MWh, and 20.0 EUR/MWh, respectively—well below the Open District Heating (ODH) market price of 22.0 EUR/MWh. The policy implications of these findings are profound. Policymakers can leverage this methodology to identify economically viable heat sources, enabling the creation of regulations that incentivize the integration of distributed heat sources into existing district heating networks. This can lead to reduced energy costs, enhanced sustainability, and more resilient energy systems. Practically, urban planners and energy utilities can use clustering insights to optimize the placement of new infrastructure, such as data centers, ensuring they are strategically located in high-demand zones. Furthermore, the study’s methodology can be replicated in other urban contexts, offering cities worldwide a scalable tool for improving the efficiency and sustainability of their heating networks. These findings support the transition to low-carbon energy solutions and provide actionable recommendations for the long-term development of urban energy systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».