Demand side management of integrated heat pump for commercial buildings

The global energy transition, characterized by an increasing commitment to renewable sources, poses significant challenges to managing electricity demand. The intermittency and non dispatchability of renewable energy sources, such as solar and wind, require the implementation of effective strategies to balance production with consumption. Demand Side Management (DSM) emerges as a strategic approach to optimize electricity demand, aligning it with production and ensuring grid stability. In this study, we focused on the application of DSM to an existing university building in Norway, equipped with Ground Source Heat Pump (GSHP) and lacking thermal storage. The primary objective was to develop a predictive model capable of accurately estimating the building’s hourly thermal demand, thus enabling the implementation of consumption optimization strategies based on variations in electricity prices in the day ahead market. After evaluating several machine learning techniques, Support Vector Regression (SVR) emerged as the most effective algorithm for forecasting thermal demand over the following 24 hours. Subsequently, an optimizer was developed which, based on SVR predictions and electricity prices, defines an optimal load profile that minimizes the building’s energy costs while ensuring thermal comfort for occupants. Extensive simulations were conducted, considering various configurations and operational constraints, to assess the impact of DSM on reducing energy costs. The results indicate that the implementation of DSM strategies can lead to significant savings, with annual cost reductions ranging between 0.037% and 10.07%. However, the analysis of more realistic scenarios, which consider stricter constraints on thermal comfort, suggests an average annual cost reduction of 1.81%

La transizione energetica globale, caratterizzata da un crescente impegno verso le fonti rinnovabili, pone sfide significative alla gestione della domanda elettrica. L’intermittenza e la non programmabilità delle energie rinnovabili, come il solare e l’eolico, richiede l’implementazione di strategie efficaci per bilanciare la produzione con il consumo. Il Demand Side Management (DSM) emerge come approccio strategico per ottimizzare la domanda elettrica, allineandola alla produzione e garantendo la stabilità delle reti. In questo studio, ci siamo concentrati sull’applicazione del DSM a un edificio universitario esistente in Norvegia, dotato di un sistema di riscaldamento geotermico a tre pompe di calore e sprovvisto di un accumulo termico. L’obiettivo primario era sviluppare un modello predittivo in grado di stimare con accuratezza la domanda termica oraria dell’edificio, consentendo così di attuare strategie di ottimizzazione dei consumi in base alle variazioni dei prezzi dell’energia elettrica nel day-ahead market. Dopo aver valutato diverse tecniche di machine learning, la Support Vector Regression (SVR) è emersa come l’algoritmo più performante per la previsione della domanda termica nelle 24 ore successive. Successivamente, è stato sviluppato un ottimizzatore che, sulla base delle previsioni della SVR e dei prezzi dell’energia, definisce un profilo di carico ottimale che minimizza i costi energetici dell’edificio, pur garantendo il comfort termico degli occupanti. Simulazioni estese sono state condotte considerando diverse configurazioni e vincoli operativi, al fine di valutare l’impatto del DSM sulla riduzione dei costi energetici. I risultati ottenuti indicano che l’implementazione di strategie DSM può portare a significative economie, con riduzioni dei costi annuali comprese tra lo 0.037% e il 10.07%. Tuttavia, l’analisi di scenari più realistici, che tengono conto di vincoli più stringenti sul comfort termico, suggerisce una riduzione media dei costi annuali del 1.81%.