Towards scalable and generic data-driven solutions for energy flexibility control in buildings - Réseau de recherche en Théorie des Systèmes Distribués, Modélisation, Analyse et Contrôle des Systèmes Accéder directement au contenu
Thèse Année : 2023

Towards scalable and generic data-driven solutions for energy flexibility control in buildings

Vers des solutions extensibles et génériques, basées sur les données, pour le contrôle de la flexibilité énergétique dans les bâtiments

Résumé

Energy flexibility of an electric utility consumer is the capability of changing its power consumption from the normal consumption pattern. Energy flexibility on the demand side is a major resource for ensuring the grid stability, avoiding activation of carbon-intensive energy resources, avoiding costly investments for the reinforcement of the grid infrastructure and construction of new power plants. In this context, buildings have a great potential due to their thermal inertia (capacity of storing and discharging thermal energy).The objective of this thesis is to study and propose efficient solutions for the estimation and optimal control of energy flexibility in buildings. The diversity of buildings in terms of thermal characteristics, Heating, Ventilation and Air-Conditioning (HVAC) systems, meters, sensors and actuators is considerable. It follows that the flexibility can be generated by different manners, and the exact impact of the different available options is often unknown. Given this complexity, available methods are rarely scalable nor easily implementable.The solutions investigated in this thesis are designed to address real-life implementation issues: availability of data, scalability, genericity, integration to available building management systems, thermal comfort requirements. Consequently, they are based on commonly available data (sensors, meters and actuators) in buildings and do not impact the thermal comfort levels defined by the building managers.A solution that addresses the above objective and implementation constraints is HVAC load control via indoor temperature setpoint adjustments. The first part of this thesis is therefore focused on exploration of methods for day-ahead forecasting of the total HVAC power consumption profile, based on commonly available features: global indoor temperature setpoints, indoor temperature, weather data, time related data. Since indoor temperature reflects the thermal state of the building, similar methods have been investigated for forecasting its dynamics. Cascaded predictions have been tested, which imply using indoor temperature forecasts for predicting the power consumption. Regarding this option, results show that the propagation of the indoor temperature forecasts errors is prohibitive.Based on the first investigations, a predictive model for power consumption forecasting has been implemented, based on supervised learning. To capture the dynamical behavior of power consumption, without forecasting the evolution of indoor temperature, actual and past values of the selected features are used for predicting the actual HVAC load.A second part of the thesis is focused on refining and integrating the predictive model in a demand response framework, consisting in load shedding incentives. Load shedding is achieved using inherent energy storage capability of the building (preheating/precooling). Based on a simplistic demand response program that compensates the shedded load, an optimization-based strategy has been proposed to perform optimized load shedding operations. An estimation of the possible income based on the given program has been carried out.This thesis has been prepared as part of a partnership bewteen GIPSA-lab laboratory, Schneider-Electric and MIAI Grenoble Alpes Institute, supported by Association Nationale de la Recherche et de la Technologie (ANRT).
La flexibilité des clients, vis-à-vis du système électrique, désigne la capacité de modifier temporairement leur profil de consommation. Il s’agit d’une ressource non-négligeable pour la gestion efficace du réseau électrique: réduction de la consommation d’énergie carbonée, maintien de la stabilité du réseau, atténuation des courbes de la demande électrique, limitation des investissements dans la construction des nouveaux moyens de production et dans l’extension ou la consolidation du réseau électrique. Dans ce cadre, les bâtiments ont un grand potentiel qui peut être exploité grâce à l’inertie thermique qui les caractérise (capacité de stocker et restituer l’énergie sous forme de chaleur).L’objectif de cette thèse est la conception de solutions pour estimer et piloter de manière optimisée la flexibilité énergétique des bâtiments. La diversité des bâtiments en termes de caractéristiques thermiques, systèmes de Chauffage, Ventilation et Climatisation (CVC), actionneurs et capteurs accessibles est considérable. Il en résulte que la flexibilité peut être produite de différentes manières et l’impact exact des nombreuses options disponibles est souvent mal connu. Compte tenu de cette complexité, les méthodes qui peuvent être conçues et déployées facilement font défaut.Les solutions étudiées cherchent à répondre à l’objectif fixé tout en considérant des problématiques d’implémentation réelles : accès aux données, généricité, intégration aux systèmes de gestion existants, barrières d’acceptation liées au confort thermique. Ainsi, elles sont basées sur des données (capteurs, compteurs et actionneurs) généralement disponibles et communs à la plupart des bâtiments, et ne dégradent pas le niveau de confort thermique établi par les gestionnaires de bâtiments.Une solution qui répond aux objectifs et contraintes fixées consiste dans le pilotage de la consommation énergétique par l’intermédiaire du contrôle de la consigne de température intérieure. La première partie de cette thèse est ainsi focalisée sur l’exploration des méthodes visant à prédire, pour un horizon de 24 heures, le profil de puissance totale consommée dans un bâtiment, en fonction de variables explicatives disponibles: consignes globales de la température intérieure, température intérieure, données météo. Puisque la température intérieure reflète l’état thermique dans un bâtiment, des méthodes similaires pour prédire sa dynamique ont été étudiées. Des solutions de prédiction en cascade ont notamment été testées, impliquant l’utilisation des prédictions de la température intérieure pour la prédiction du profil de puissance consommée. Sur ce point, les résultats ont montré un impact rédhibitoire des erreurs de prédictions de la température.Sur la base des premières investigations, un modèle prédictif de la puissance consommée, basé sur des outils d'apprentissage supervisé a été adopté. Afin de capturer la dynamique, sans prédire l'évolution de la température intérieure, les valeurs actuelles et passées des variables explicatives sont utilisées pour la prédiction de la puissance consommée à un instant donné.La deuxième partie de la thèse est dédiée au raffinement et l’utilisation de l’outil de prédiction développé, dans le cadre d’un programme de réponse à la demande, incitant à la réduction de la consommation énergétique. L’effacement de la consommation est accompli en utilisant les capacités intrinsèques de stockage thermique d’un bâtiment (préchauffage/pré-climatisation). Sur la base d'un programme rudimentaire, rémunérant l’effacement de la consommation, une stratégie d’optimisation a été a été mise en place pour effectuer des effacements de manière optimisée. Une estimation des bénéfices tirés de l’intégration de ce programme a été faite.Cette thèse a été réalisée dans le cadre d'un partenariat entre Schneider Electric, GIPSA-Lab et l'Institut MIAI Grenoble Alpes, avec le soutien de l'Association Nationale de la Recherche et de la Technologie (ANRT).
Fichier principal
Vignette du fichier
DAVID_2023_archivage.pdf (18.34 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04121671 , version 1 (08-06-2023)

Identifiants

  • HAL Id : tel-04121671 , version 1

Citer

Ana David. Towards scalable and generic data-driven solutions for energy flexibility control in buildings. Automatic. Université Grenoble Alpes [2020-..], 2023. English. ⟨NNT : 2023GRALT017⟩. ⟨tel-04121671⟩
185 Consultations
25 Téléchargements

Partager

Gmail Facebook X LinkedIn More