Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Περιβάλλοντος, Πολυτεχνειούπολη, Χανιά 73100

Διδακτορικές Σπουδές στην «ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΜΗΧΑΝΙΚΗ»

ΑΝΑΚΟΙΝΩΣΗ ΥΠΟΣΤΗΡΙΞΗΣ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ

Όνοματεπώνυμο Υποψήφιου Διδάκτορα: Καμπέλης Νικόλαος
Α.Μ.: 2013057331
Ημερομηνία Παρουσίασης: 1/4/2020
Ώρα: 13:00

Διαδικτυακός Σύνδεσμος (η παρουσίαση θα γίνει μόνο διαδικτυακά λόγω των έκτακτων συνθηκών):

https://meetings.webex.com/collabs/#/meetings/detail?uuid=M9X8PS8V4DNLN20T9ARHF58AG3-BNI5&rnd=593012.48259

Θέμα Δ.Δ: Βελτιστοποίηση κόστους ενέργειας για τη λειτουργία μικροδικτύων με αξιοποίηση τεχνικών απόκρισης ζήτησης

Title: Cost of energy optimisation for the operation of microgrids based on Demand Response techniques
Εξεταστική Επιτροπή:
1 Επιβλέπoυσα: Αναπληρώτρια Καθηγήτρια Διονυσία Κολοκοτσά
2 Καθηγητής Κωνσταντίνος Καλαϊτζάκης
3 Καθηγητής Γεώργιος Καρατζάς            
4 Καθηγητής Μιχαήλ Λαζαρίδης
5 Καθηγητής Θεοχάρης Τσούτσος
6 Αναπλ. Καθηγητής Φώτιος Κανέλος
7 Αναπλ. Καθηγητής Ευτύχιος Κουτρούλης

Περίληψη:

Η παρούσα διδακτορική διατριβή αφορά την ανάπτυξη και αξιολόγηση προηγμένων τεχνικών απόκρισης ζήτησης σε κτιριακές εγκαταστάσεις σχεδόν μηδενικής ενεργειακής κατανάλωσης και μικροδίκτυα.

Στο παραπάνω πλαίσιο, έγινε κατ’αρχήν λεπτομερής διερεύνηση και ανάλυση της ενεργειακής απόδοσης ενός πρότυπου κτιρίου κατοικιών και ενός πρότυπου κτιρίου βιομηχανικής χρήσης (/γραφείων). Τα κτίρια Leaf House και Leaf Lab που μελετήθηκαν, χαρακτηρίζονται ως σχεδόν μηδενικής ενεργειακής κατανάλωσης (near-zero energy buildings), καθώς συνδυάζουν αποτελεσματικά συστήματα διαχείρισης ενέργειας με μία ευρεία γκάμα αυτοματισμών, τεχνολογίες ΑΠΕ και αποθήκευση ενέργειας. Για την αξιολόγηση της ενεργειακής απόδοσης των κτιρίων αυτών αναπτύχθηκε και χρησιμοποιήθηκε μεθοδολογία η οποία περιελάμβανε τη λήψη και αξιοποίηση μετρήσεων συνθηκών εσωτερικού και εξωτερικού περιβάλλοντος, ενεργειακών καταναλώσεων και ηλεκτροπαραγωγής από ΑΠΕ. Επιπρόσθετα, αναπτύχθηκαν μοντέλα δυναμικής προσομοίωσης των κτιριακών εγκαταστάσεων με χρήση των λογισμικών Open Studio / EnergyPlus, για τα οποία έγινε επαλήθευση βάσει των παραπάνω μετρήσεων. Η ανάλυση ανέδειξε την αναγκαιότητα επαλήθευσης και ανάλυσης της πραγματικής ενεργειακής απόδοσης των κτιριακών εγκαταστάσεων καθώς και της ενδεχόμενης απόκλισης (performance gap) από την «θεωρητική» απόδοση που προκύπτει βάσει υπολογιστικών μοντέλων που χρησιμοποιούνται συνήθως κατά τον σχεδιασμό ή την ενεργειακή αναβάθμιση ενός κτιρίου.

Η δημιουργία επαληθευμένων μοντέλων ενεργειακής απόδοσης των κτιρίων αποτελεί απαραίτητη προϋπόθεση για την ανάπτυξη της μεθοδολογίας αξιολόγησης προηγμένης τεχνικής απόκρισης ζήτησης όπως περιγράφεται στη συνέχεια.

Ειδικότερα, αξιοποιώντας τα αποτελέσματα της πρώτης φάσης, αναπτύχθηκε μεθοδολογία για την μελέτη και αξιολόγηση της δυνατότητας μετατόπισης φορτίου του συστήματος θέρμανσης, μηχανικού αερισμού, κλιματισμού (HVAC) του κτιρίου βιομηχανικής χρήσης Leaf Lab. Η εν λόγω προσέγγιση, αφορά τον καθορίσμό της ωριαίας τιμής του θερμοστάτη χώρου από μοντέλο γενετικού αλγόριθμου. Τα σενάρια που αναπτύχθηκαν και αξιολογήθηκαν αφορούν μεταβλητό ανά ώρα κόστος προμήθειας ηλεκτρικής ενέργειας που βασίσθηκε σε δεδομένα από την αγορά ενέργειας της περιοχής ενδιαφέροντος. Το μοντέλο βελτιστοποίησης λαμβάνει υπόψη τη διακύμανση του κόστους κατανάλωσης ηλεκτρικής ενέργειας και του δείκτη θερμικής άνεσης Predicted Mean Vote (PMV). Με βάση τα αποτελέσματα προκύπτει σημαντικό περιθώριο εξοικονόμησης ενέργειας και μείωσης του ενεργειακού κόστους κατανάλωσης ηλεκτρικής ενέργειας διατηρώντας τα επίπεδα θερμικής άνεσης και μεταβολής της τιμής του θερμοστάτη χώρου εντός των ορίων που θέτουν τα σχετικά διεθνή πρότυπα.

Παράλληλα, αναπτύχθηκε μέθοδος βραχυχρόνιας πρόβλεψης (με χρονικό ορίζοντα 24 ώρες) των ηλεκτρικών καταναλώσεων καθώς και της ηλεκτροπαραγωγής ενέργειας από ΑΠΕ με χρήση μοντέλων Τεχνητών Νευρωνικών Δικτύων. Η μέθοδος χρησιμοποιήθηκε για την εξαγωγή και αξιολόγηση αποτελεσμάτων τόσο σε επίπεδο κτιρίου όσο και σε επίπεδο μικροδικτύου. Τα αποτελέσματα που εξήχθησαν εμφανίζουν υψηλά επίπεδα συσχέτισης (Pearson’s coefficient, ΜΒΕ, ΜΑPE) μεταξύ των προβλεπόμενων και πραγματικών τιμών. Εν συνεχεία, αναπτύχθηκε 2-στοχικό μοντέλο βελτιστοποίησης ΓΑ για τη μετατόπιση φορτίου (load shifting) και μείωση του κόστους ηλεκτρικής ενέργειας της επόμενης ημέρας σε επίπεδο κτιρίου και μικροδικτύου. Η παραπάνω συνδυαστική μέθοδος ΤΝΔ/ΓΑ ελέγχθηκε ενδελεχώς και χρησιμοποιήθηκε επιτυχώς για την εξαγωγή ισορροπημένων λύσεων μείωσης του κόστους ηλεκτρικής ενέργειας και της μετατόπισης φορτίων σε επίπεδο ομάδας κτιρίων και μικροδικτύου.

Abstract:

This Ph.D. thesis focuses on the development and evaluation of advanced demand response techniques for Near-Zero Energy Buildings (NZEB) and microgrids.

In this context, the energy performance of a residential and an industrial (/office) NZEB was investigated and analysed. The Leaf House (residential) and Leaf Lab (industrial/office) buildings are characterised as NZEB as they effectively integrate energy management systems with a wide range of automation, renewable energy sources, and energy storage. For the evaluation of the energy performance of these buildings, a method was developed and deployed which involved the collection and exploitation of measurements concerning the indoor and outdoor environment, energy consumption and renewable energy production. In addition, dynamic Open Studio / EnergyPlus models of the energy performance of buildings were created and subsequently validated with the aid of the aforementioned measurements and data. The analysis highlighted the importance of evaluating the “performance gap” of buildings as the actual energy performance of buildings can significantly deviate from the “theoretical” values typically used when designing or renovating a building.

Creating validated and dynamic building energy models was a prerequisite for the development and testing of the advanced HVAC demand response methodology described hereafter.

In this context, a novel methodology, for investigating and evaluating the potential HVAC load shifting based on temperature set-point adjustment, was developed and deployed for the industrial building (Leaf Lab). This approach concerns the determination of the hourly temperature set point by a Genetic Algorithm optimisation model. The scenarios that were developed for testing the GA model take into account variable hourly electrical energy prices based on real data by the Day-Ahead market of the building’s region. The optimisation model takes into account variation of the cost of the HVAC’s electrical energy consumption and the Predicted Mean Vote (PMV) index of thermal comfort. Results revealed significant margins of energy and cost savings while comfort levels and temperature set-point drift are kept in line with regulations defined by well-established international standards.

In parallel, a method for short-term (24 hours ahead) prediction of the electrical consumption and Renewable Energy Sources’ production was developed based on Artificial Neural Network models. The method was effectively tested using various datasets to produce results of a high correlation between the real and predicted values, both at building and at the microgrid level, as justified by various indicators (Pearson’s coefficient, MBE, MAPE). Furthermore, a double goal Genetic Algorithm optimisation model of the electrical energy cost and load shifting for the day ahead was developed and thoroughly tested. Day-ahead ANN-based predicted data are used as input for the GA optimisation model to produce balanced solutions for cost savings and load shifting at both building and microgrid level.