Simulation oriented grey-box model for weather dependent heat demand of households

Abstract

Der Gebäudesektor, insbesondere der Wärmebedarf in Wohngebieten, trägt erheblich zu globalen Treibhausgasemissionen bei. Um eine klimaneutrale Wärmeversorgung zu erreichen, müssen CO2-Emissionen durch die Integration von lokal verfügbaren erneuerbaren Energiequellen und Wärmepumpentechnologien im Rahmen von Sektorkopplungsstrategien gesenkt werden. Der Einsatz dieser Technologien in städtischen Gebieten führt jedoch zu erhöhten dezentralen Lasten in den elektrischen Verteilungsnetzen, weshalb eine präzise Vorhersage des Wärmebedarfs und der resultierenden elektrischen Last erforderlich ist.In dieser Arbeit wird ein Grey-Box-Modell zur Simulation des Wärmebedarfs von Wohngebäuden und Wärmepumpen entwickelt, das für die Lastprognose und die Bestimmung des Flexibilitätspotentials im Kontext einer netzorientierten Optimierung verwendet wird. Das Modell wird in der Simulationsumgebung BIRFOST implementiert und stellt ein effizientes Werkzeug zur Berechnung von Flexibilitäten im Wärmebedarf sowie der Wärmepumpenleistung basierend auf Temperaturflexibilitäten in Wohnräumen dar. Eine dynamische Modellierung der thermischen Masse wird integriert, wobei eine gleichmäßige Temperaturverteilung innerhalb der Gebäudestruktur angenommen wird, welches mit Finite Differenzen Methode verifiziert wird. Bei der Validierung liegt der Fokus auf dem aggregierten Lastverhalten auf Niederspannungsebene und nicht auf der exakten Nachbildung des Wärmebedarfs einzelner Haushalte. Die Simulation des jährlichen aggregierten Wärmebedarfs mehrerer Gebäude zeigt eine hohe Genauigkeit mit einer Abweichung von weniger als 5 %, basierend auf dem WPuQ Datensatz. Das dynamische Verhalten des implementierten Modells entspricht den Erwartungen, mit einem raschen Temperaturabfall am Abend nach Abschaltung der Heizung und einer langsameren Absenkung durch die hohe thermische Kapazität der Gebäudestruktur. Das Modell erreicht eine Echtzeitfähigkeit mit einer Simulationszeit von 2 ms pro Gebäude, einschließlich einer Vorhersage für die nächsten 24 Stunden, was den Einsatz in realen Szenarien zur Optimierung der Heizungsflexibilität für die Netzstabilität ermöglicht. Zusätzlich zeigt das Modell die Flexibilität von Wärmepumpen durch lokale und standortübergreifende Optimierungsstrategien, die erneuerbare Energiequellen wie Photovoltaik nutzen und Parallelen zu Batteriespeichern ziehen. Das implementierte Grey-Box-Modell bildet eine Grundlage für weiterführende Analysen von Heizsystemen und Sektorkopplungsstrategien und trägt zur Optimierung von Energiesystemen bei. Durch die Vorhersage des Wärmebedarfs in zukünftigen Szenarien, die Wetterbedingungen und Siedlungsausbau berücksichtigen, werden fortschrittliche Steuerungsstrategien unterstützt. Das Flexibilitätspotential des Modells zur standortübergreifenden Optimierung bietet zudem einen wesentlichen Beitrag zur Aufrechterhaltung der Netzstabilität und zur Verringerung der Treibhausgasemissionen, was zur Einschränkung des Klimawandels beiträgt.

The building sector is a major contributor to global greenhouse gas emissions, with heat demand accounting for a predominant portion, especially in residential areas. Achieving climate-neutral heat supply involves reducing CO2 emissions through the integration of on-site renewable energy sources, such as photovoltaic (PV), and heat pump (HP) technologies, within sector coupling strategies that combine electricity, heating, and cooling. While these approaches offer potential for reducing emissions and improving energy efficiency, their widespread deployment in urban areas increases decentralized loads on electrical distribution networks, requiring accurate forecasting of both heat demand and electrical load to ensure grid stability. Given the complexity of predicting energy demand in this dynamic environment, simulation models are essential for forecasting grid behavior, as large-scale physical testing is often impractical for system planning and management. This thesis develops a grey box model (GBM) for simulating residential heat demand and HPs for load prediction and flexibility management aimed at grid-oriented optimization. Implemented within the BIRFOST simulation environment, the model serves as an efficient and versatile tool for calculating flexibilities in heat demand and HP performance based on room temperature flexibilities in residential households. Additionally, the model incorporates dynamic thermal mass modeling with assumptions of uniform temperature distribution within the building structure, enhanced by empirical corrections from Finite Difference Analysis. The validation of the proposed model emphasizes its impact on the low-voltage grid level dynamics, rather than precise replication of individual household heat demand. Using the WPuQ dataset, the model demonstrates strong accuracy,with a deviation of less than 5 % in simulating aggregated annual heat demand. Its dynamic behavior aligns with expectations, showing rapid temperature drops in the evening when heating is disabled, followed by gradual reductions due to the building’s high thermal mass. The model achieves efficient real-time performance, with a simulation time for one step at 2 ms per building, including a forecast for the next 24 hours, supporting its application in real-world scenarios to optimize heating flexibility for grid stability and carbon reduction. Additionally, the model demonstrates HP flexibility through local and cross-location optimization strategies, leveraging on-site renewable energy sources like PVs, drawing parallels between HP systems and battery storage setups. Consequently, the proposed GBM provides a foundation for future studies on heating systems, sector coupling, and the flexibility these systems offer in terms of load balancing and grid management. Its capability to predict future energydemand scenarios, accounting for variables such as weather patterns and urban settlement characteristics, facilitates the development of more advanced control strategies and energy system optimization. Additionally, the model’s flexibility potential for cross-location optimization, demonstrated in this thesis, highlights its significance in maintaining grid stability and reducing greenhouse gas emissions, thereby contributing to efforts to mitigate climate change.