Analysis of Energy Flexibility Strategies for Residential and Commercial Building Clusters Through Simulation
Notice bibliographique
Résumé
RÉSUMÉ: Puisque l'électrification dans divers secteurs contribue à l'augmentation de la demande d'électricité, les réseaux peuvent être confrontés à des périodes de pointe plus critiques que jamais. Les conditions météorologiques extrêmes ne font qu'aggraver le problème. Les fortes chaleurs entraînent une augmentation de la demande d'électricité pour le refroidissement et, dans les régions froides où la proportion du chauffage électrique est élevée (comme au Québec), les basses températures entraînent une augmentation de la demande d'électricité pour le chauffage. La gestion de l'énergie parmi les consommateurs est donc devenue de plus en plus pertinente, non seulement pour réduire la consommation annuelle mais aussi pour contrôler quand l’électricité est utilisée, faisant de la flexibilité un objectif important. Les bâtiments représentent une grande partie de la consommation totale d'électricité. Si leur énergie est bien contrôlée, ils peuvent être des acteurs majeurs de la flexibilité. Cette possibilité permet aux bâtiments de participer à la gestion de la demande, par exemple en réduisant leur consommation pendant des événements de pointe. Lorsque les bâtiments sont regroupés en grappes (clusters), les efforts de flexibilité donnent des résultats agrégés et présentent un potentiel élevé pour les réseaux électriques. La flexibilité dans les grappes de bâtiments est le sujet d'analyse de ce mémoire, qui explore différentes stratégies de flexibilité dans des groupes composées de différents types de bâtiments et leurs caractéristiques. Pour étudier ce sujet, le logiciel de modélisation TRNSYS a d’abord été utilisé pour simuler les besoins en énergie d'une grappe de 2400 maisons unifamiliales avec différents niveaux d'isolation, des points de consigne de chauffage et de profils de charge. Quatre stratégies de flexibilité ont été testées, qui ont ajusté les points de consigne pour le chauffage des locaux et de l'eau dans la grappe. Ces stratégies ont permis de réduire la pointe de 15 à 25 % par logement pendant les heures des événements de pointe. Bien que de fortes réductions de puissance aient été constatées pendant les heures des événements de pointe, des effets de rebond ont été créés, qui ont été atténués par des ajustements des taux de participation. Pour approfondir l'étude, une plus grande variété a été introduite dans la grappe par l'ajout de bâtiments commerciaux/institutionnels (CI), qui ont des systèmes de chauffage hybrides gaz-électricité. Pour ce faire, un modèle TRNSYS initial a été créé sur la base d'un bâtiment CI réel au Québec, en utilisant des données opérationnelles et des caractéristiques physiques. ABSTRACT: As electrification in various sectors contributes to increasing power demands, grids may face increased strain and more critical peak periods than ever before. Weather extremes add to the problem, as high heat drives up cooling power demands, and in cold regions with high shares of electric heating, such as in Quebec, low temperatures drive up heating power demands. Managing power across electric consumers has thus become increasingly relevant, not only to reduce the annual energy use but also to control when electricity is used, making flexibility an important goal. Buildings, which represent considerable shares of electric consumption, can be major participants in achieving flexibility, if their loads are well controlled. Having this ability allows buildings to be involved in demand side management, such as through demand response (DR) programs. When buildings are grouped into clusters, flexibility efforts have aggregated results and present an even larger potential for electric grids. Flexibility in building clusters is the subject of analysis throughout this thesis, which explores different flexibility strategies in clusters composed of varying building types and characteristics. To investigate this topic, TRNSYS has been firstly used to simulate the power requirements of a cluster of 2400 residential homes of varying insulation levels, HVAC schedules, and load profiles. Four flexibility strategies were tested, which adjusted the space and water heating setpoints in the cluster and were able to achieve power reductions of 15-25 % per home during the DR hours. Although large power reductions were found during the DR hours, large rebound peaks were created, which were mitigated through adjustments in the participation rates. To further the investigation, more variety was introduced in the cluster though the addition of commercial/institutional (CI) buildings, which have hybrid gas-electric heating systems. To make this addition, an initial TRNSYS model was created based on a real CI building in Quebec, using operational data and physical characteristics. Modifications were then made to then create 30 CI buildings variations based on this initial model. Thus the total cluster, 2430 buildings, underwent flexibility strategy testing, where the CI buildings made use of their hybrid heating system by fuel switching during DR events. The total cluster achieved peak reductions up to 36% during DR hours, with only a small increase in peak over the average DR day. The benefits of flexibility in clusters, specifically in clusters containing varying building types and energy sources, are highlighted in this research, thus contributing to the body of work in this field of study.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».