Optimisation d'une stratégie de gestion de la demande de puissance en utilisant différentes sources de stockage thermique dans un agrégat de bâtiments

La lutte aux changements climatiques constitue l'un des enjeux les plus critiques de l'ère moderne. Pour diminuer considérablement les émissions de gaz à effet de serre, la plupart des secteurs de l'économie doivent être électrifiés et l'électricité doit être produite par des sources d'énergies propres. Cependant, énergies propres signifient souvent énergies renouvelables intermittentes et l'intégration de ces types d'énergies aux réseaux électriques présente des défis opérationnels importants. Bien entendu, l'équilibre entre la demande et la production doit être maintenu en tout temps, et historiquement, c'est la production qui suivait la demande malgré son profil très peu constant. Il semblerait pourtant bénéfique de renverser ce paradigme avec l'avènement des réseaux énergétiques intelligents. Considérant la nature stochastique de la production et de la demande, une source de stockage est essentielle dans l'équation, de sorte à éliminer les désynchronisations entre les deux composantes du système en plus de pouvoir pallier l'incertitude des prédictions. L'environnement bâti étant l'un des consommateurs les plus importants d'énergie à travers le globe, ce mémoire de maîtrise se concentre sur les stratégies du côté de la demande, plus particulièrement sur l'écrêtage des pointes de puissance des bâtiments connectés au réseau électrique. En utilisant la masse thermique déjà présente dans les bâtiments, il semble possible de suivre le profil de production électrique sans nécessiter d'investissements majeurs de capitaux. Pour considérer plusieurs facteurs comme le confort thermique ou bien l'efficacité énergétique dans la fonction à optimiser, le modèle d'optimisation utilisé dans ce projet de recherche se base sur des prédictions de l'inertie thermique calculées via des techniques d'apprentissage machine avec Python. Ainsi, en utilisant les données historiques de n'importe quel bâtiment, un algorithme de contrôle optimal est en mesure d'envoyer des commandes aux systèmes électromécaniques de sorte à optimiser son profil de consommation pour répondre aux besoins du réseau électrique. Ce mémoire présente les résultats des différents scénarios simulés avec le logiciel de modélisation TRNSYS pour une saison hivernale. L'interopérabilité entre TRNSYS et Python est possible grâce au développement d'un outil informatique développé dans le cadre de cette recherche. Les études de cas mettent en valeur les avantages et les inconvénients environnementaux, économiques et opérationnels d'une alimentation biénergie ou bien purement électrique.

Abstract

There is a consensus among the scientific community when it comes to fighting climate change: the future needs to be electrified and the grid needs to be powered by clean energy. However, clean energy often means intermittent renewable energy, and its integration into the grid comes with a few operational challenges. An equilibrium between the power supply and the demand has to be maintained at all times, and historically, the supply has been following the demand even if it has been spiking daily. It is worth reversing the perspective: what if the demand can be flexible and adapt to the supply according to the resources' availability? Given the stochastic nature of the supply and demand, one can only achieve such a paradigm with a means of storage allowing to achieve the energy transfer when the supply and demand are asynchronous and to act as a buffer to account for prediction uncertainties. Since the built environment is one of the main energy consumers, this thesis focuses mainly on demand-side strategies, especially load shifting, applied to Grid-Interactive Efficient Buildings (GEBs). By leveraging the thermal mass already inside commercial buildings, it becomes possible to adapt to the needs of the grid without additional financial investments. To ensure thermal comfort and energy efficiency, the optimization scheme is based on a thermal inertia prediction model using machine learning techniques in Python. Using historical data of buildings, a dedicated optimal control-based algorithm is able to send commands to the electromechanical components of a building to optimize its load profile to suit the grid's needs. This thesis shows the results of different simulations performed for an institutional building located in Montréal during a winter season, using the TRNSYS modelling software paired with a Python script acting as the controller. The co-simulation between TRNSYS and Python is enabled by a new TRNSYS component that was created as part of this work. These different case studies shed light on the pros and cons from an environmental, economic, and operational point of view of a dual-energy system and a purely electrical system. The results show that the dual-energy system is the one with the overall best flexibility score; it can achieve shifting of the entire load during a peak event without disturbing the occupants' thermal comfort and is the most viable financial option. However, on the other hand, this scenario generates at least 6 times more CO2 than the fully electrical reference scenario.