Demand-side flexibility from electric heating systems/ Flexibilitet på efterfrågan för elektriska värmesystem

Abstract

Abstract Financial incentives were introduced by the swedish government as part of an effort to encourage real estate owners to install solar panels, with the goal to lessen the burden on the electric grid whilst accelerating the transition to green energy. The purpose of this project is to develop a control system for heating that will lower the energy cost of a building. The control system will, by using forecasts for electricity production and the outside temperature, along with a thermal model of the building, be able to plan for next day’s heating and optimize towards the lowest cost. This will be implemented on the research facility that Chalmers University of Technology owns on the island of Björkö, for test and demonstration purposes. Furthermore, historical data is needed in order to develop the forecasts and to create a thermal model of the building. Another aim of this project is therefore to implement a data collection system for the facility. The optimization model and its corresponding parts for the control system were created using Python. The Python library Pyomo was used for the optimization, made possible by adapting the problem statement to equations according to the linear programming standard form. In order to create the forecast for solar production the already existing tools from the online website Rebase were used, while the forecasts for the price of electricity and the outdoor temperature were retrieved directly from ENSTO-E and SMHI. The thermal model was derived from an already existing model, and adapted to fit the specific building’s thermal characteristics. Furthermore a single-board computer was installed in order to communicate with a heating fan connected to the research facility on Björkö. The heating fan was connected to the facility in order to control the heat of the building with input from the optimization model, in such a way that the fan could be switched on and off remotely. The data collection system took more time than anticipated, which led to delays and resulted in less time to put on the later stages of the project. This led to difficulties testing and adapting the forecasts, the optimization model and the control system. This, coupled with discovering errors in the thermal model in the last weeks of the project, led to varying results. Despite of this, the results obtained from the tests show that the output from the optimization model used by the control system does steer the heating system towards the lowest cost. The conclusion of the project is that the optimization model and the control system does work, but more changes and testing is needed in order for the system to work optimally.

Sammanfattning För att uppmuntra fastighetsägare att installera solpaneler introducerade den svenska regeringen ekonomiska incitament med målet att minska bördan på elnätet såväl som att påskynda omställningen till förnybar energi. Syftet med projektet är att utveckla ett kontrollsystem för uppvärmning som ska minska energikostnaderna för en byggnad. Kontrollsystemet ska, genom att använda prognoser för elproduktion, utomhustemperatur och en termisk byggnadsmodell, kunna planera för nästa dags uppvärmning och optimera mot den lägsta kostnaden. Detta kommer implementeras på forskningsanläggningen som Chalmers tekniska högskola äger på Björkö, i test och demonstrationssyften. Vidare behövs historiska data för att utveckla prognoserna och skapa en termisk modell av byggnaden. Därför är ett ytterligare syfte med projektet att implementera ett datainsamlingssystem för anläggningen. Optimeringsmodellen utvecklades i programmeringsspråket Python. Pythonbiblioteket Pyomo användes för optimeringen, vilket var möjligt efter att ha omformulerat problemställningen till en målfunktion enligt standardformen för linjär programmering. Optimeringsmodellen nyttjade prognoserna, som tränades på data från byggnaden. För att skapa prognosen för solproduktion användes det redan existerande prognosverktyg från Rebase, medan prognoserna för elpris och temperatur togs direkt från ENSTO-E respektive SMHI. Den termiska modellen skapades från en redan befintlig mall, som anpassades till byggnadens termiska egenskaper. Vidare installeradesen enkortsdator för att kommunicera med en värmefläkt ansluten till forskningsanläggningen på Björkö. Värmefläkten anslöts till anläggningen i syfte att kunna kontrollera värmen i byggnaden enligt värmeschemat från optimeringsmodellen, så att värmefläkten kunde fjärrstyras. Datainsamlingssystemet tog mer tid än förväntat, vilket ledde till förseningar och brist på tid i senare delar av projektet. Det blev därför svårt att noggrant testa och anpassa prognoserna, optimeringsmodellen och kontrollsystemet. Detta, tillsammans med brister i den termiska modellen som upptäcktes i den senare delen av projektet, ledde till varierade resultat. Trots detta så visar resultaten från testerna att värmeschemat som kontrollsystemet erhåller från optimeringsmodellen faktiskt styr systemet mot den lägsta kostnaden. Slutsatsen av projektet är att optimeringsmodellen och kontrollsystemet fungerar, men att vissa ändringar och fler tester behövs för att systemet ska fungera optimalt.