Affordable Access

deepdyve-link
Publisher Website

Smart home energy management systems : Optimization, rules and regulations, and learning / Intelligente Energiemanagementsysteme in Gebäuden : Optimierung, Vorschriften und Regelungen, und Lernsysteme

Authors
  • Langer, Lissy
Publication Date
May 17, 2022
Identifiers
DOI: 10.14279/depositonce-15370
OAI: oai:depositonce.tu-berlin.de:11303/16593
Source
DepositOnce
Keywords
Language
English
License
Unknown
External links

Abstract

Buildings are one of the main drivers of global energy consumption and CO2 emissions. Efficient home energy management systems and residential sector coupling play a key role in supporting the energy transition in this sector. At the same time, the European Commission calls for more small-scale renewable energy producers to actively participate in the energy value chain. In my first study, I analyze the structural properties associated with the optimal control of a home energy management system and the effects of common technological configurations and modeling objectives. I model a smart home energy management system (SHEMS) using a model predictive control (MPC) approach formulated as a mixed-integer linear program (MILP). I determine the value of information evaluating different forecast horizons. In my second study, I model an illustrative peer-to-peer (P2P) market with tariff s based on the reservation prices of market participants under the current German levy regime. By analyzing the cost- and discomfort-minimizing behavior of the market participants, I evaluate the current levy regime and propose two additional market designs. In my third study, I analyze the potential of deep reinforcement learning (DRL) to control SHEMS. The algorithm is model-free, it does not know the physical building model, and only considers information currently available. The algorithm learns autonomously based on the feedback signal generated by a SHEMS DRL environment. I conduct all studies by modeling a representative residential building with a modulating air-sourced heat pump, a photovoltaic (PV) system, a battery energy storage system (BESS), and thermal storage systems for floor heating and hot water supply. In addition, I allow grid feed-in with a fixed compensation and consider user comfort. In my first numerical analysis, I find that the BESS is the essential building block for improving self-sufficiency. However, in order to use the PV surplus efficiently grid feed-in is necessary. Based on optimal control and considering seasonal effects, the dominant order of demand fulfillment and the target states of charge for the storage systems are derived. I find that the solution time can be significantly reduced, losing an acceptable amount of profit, by optimizing for self-sufficiency instead of profit maximization, or by using a rolling horizon approach. In my second numerical analysis, I find that using the current levy regime in Germany, a P2P market is not economically viable. Based on feed-in tariff s (FiTs) and high levies no agreeable market price can be found. With no FiT or reduced levies, all participants benefit from the P2P market. As prosumagers do not consume on the P2P market, they are only marginally affected by the reduced levies—consumers benefit most. Adjusting the regime towards consumers could result in a fairer allocation of the profits of the energy transition. In my third numerical analysis, I benchmark my results based on the deep deterministic policy gradient (DDPG) algorithm with the optimal MPC result under full information and a practice-oriented rule-based approach. I describe a structured solution path to transform a MILP into a DRL implementation. I show that the proposed DRL algorithm outperforms the rule-based approach and achieves a high level of self-sufficiency with only limited comfort violations and less cost. Analyzing different DRL formulations, I conclude that domain knowledge is essential to formalizing an efficient decision problem with stable results. Our input data and models developed using the Julia programming language, are available open source. / Der Gebäudesektor ist einer der Hauptverursacher des weltweiten Energieverbrauchs und der CO2-Emissionen. Effiziente Energiemanagementsysteme und Sektorenkopplung spielen eine Schlüsselrolle bei der erfolgreichen Umsetzung der Energiewende im Gebäudesektor. Darüber hinaus fordert die Europäische Kommission, dass sich mehr kleine Erzeuger erneuerbarer Energien aktiv in die Energiewertschöpfungskette einbringen können sollen. In meiner ersten Studie analysiere ich die strukturellen Eigenschaften, die mit der optimalen Steuerung eines Gebäudeenergiemanagementsystems verbunden sind, sowie die Auswirkungen gängiger technologischer Konfigurationen und Zielfunktionen. Ich formuliere ein intelligentes Gebäudeenergiemanagementsystem (SHEMS) mit dem Ansatz der modellprädiktiven Steuerung (MPC) als gemischt-ganzzahliges lineares Problem (MILP). Zusätzlich analysiere ich den Einfluss verschiedener Prognosehorizonte auf die Modellgüte. In meiner zweiten Studie modelliere ich einen illustrativen Peer-to-Peer-Markt (P2P) mit Marktpreisen, die auf den Reservationspreisen der Marktteilnehmer im aktuellen deutschen Umlagesystem basieren. Durch die Analyse des profit- und komfortmaximierenden Verhaltens der Marktteilnehmer:innen evaluiere ich das derzeitige Umlagesystem und schlagen zwei zusätzliche Marktdesigns vor. In meiner dritten Studie analysiere ich das Potenzial von Deep Reinforcement Learning (DRL) zur Steuerung von SHEMS. Der Algorithmus ist modellfrei, kennt also das physikalische Gebäudemodell nicht und berücksichtigt nur aktuell verfügbare Informationen und keine Prognosen. Der Algorithmus lernt autonom auf Grundlage der von einer SHEMS-DRL-Umgebung erzeugten Feedbacksignale. Ich führe alle Studien durch, indem ich ein repräsentatives Wohngebäude mit einer modulierenden Luftwärmepumpe, einer Photovoltaik-Anlage, einer Batterie und thermischen Speichersystemen für Fußbodenheizung und Warmwasserversorgung modelliere. Darüber hinaus erlaube ich die Netzeinspeisung mit einer festen Vergütung und berücksichtige den Nutzerkomfort der Bewohner. In meiner ersten numerischen Analyse stelle ich fest, dass die Batterie der wesentliche Baustein zur Verbesserung der Autarkie ist. Um den PV-Überschuss effizient nutzen zu können, ist jedoch Netzeinspeisung erforderlich. Basierend auf der optimalen Steuerung und unter Berücksichtigung von saisonalen Effekten leite ich die dominante Reihenfolge der Nachfrageerfüllung und die Zielladezustände für die Speichersysteme her. Ich stelle fest, dass die Lösungszeit bei akzeptablen Gewinnverlusten deutlich reduziert werden kann, indem man die Autarkie statt des Gewinns maximiert oder zu einem rollierenden Plannungsansatz übergeht. In meiner zweiten numerischen Analyse belege ich, dass ein P2P-Markt im derzeitigen Umlagesystem in Deutschland wirtschaftlich nicht tragfähig ist. Auf der Grundlage der Einspeisevergütung (FiT) und der hohen Abgaben kann kein akzeptabler Marktpreis gefunden werden. Ohne FiT oder mit reduzierten Umlagen profitieren alle Teilnehmer:innen vom P2P-Markt. Da die Produzent:innen mit Speicher auf dem P2P-Markt nicht konsumieren, sind sie von den ermäßigten Abgaben nur am Rande betroffen - am meisten profitieren die reinen Verbraucher:innen. Eine Anpassung der Regelung zugunsten der Verbraucher:innen könnte zu einer gerechteren Verteilung der Profite der Energiewende führen. In meiner dritten numerischen Analyse vergleiche ich meine Ergebnisse, die auf dem Deep Deterministic Policy Gradient (DDPG) Algorithmus basieren, mit dem optimalen MPC-Ergebnis unter vollständiger Information und einem praxisorientierten regelbasierten Ansatz. Ich beschreibe einen strukturierten Lösungsweg, um ein MILP in eine DRL-Implementierung umzuwandeln. Ich zeige, dass der von mir vorgeschlagene DRL-Algorithmus besser abschneidet als der regelbasierte Ansatz und ein hohes Maß an Autarkie mit geringeren Kosten und nur begrenzten Komfortverletzungen erreicht. Bei der Analyse verschiedener DRL-Formulierungen komme ich zu dem Schluss, dass Expertenwissen der Schlüssel zur Formulierung eines effizienten Entscheidungsproblems mit stabilen Ergebnissen ist. Meine Daten und Modelle, die mit der Programmiersprache Julia entwickelt wurden, sind quelloffen verfügbar.

Report this publication

Statistics

Seen <100 times