User-Oriented Demand Response for Smart Buildings

Les récents changements dans les systèmes de puissance ouvrent une frontière de défis et d'avantages potentiels pour tous les participants tout au long du réseau. Le paradigme du réseau intelligent aide à soutenir de meilleures décisions, à améliorer l'efficacité et en général à disposer d'un approvisionnement énergétique plus fiable, économique et durable. Cela accorde une importance particulière à l'intérêt croissant pour la participation des utilisateurs finaux grâce aux programmes de réponse à la demande. Dans ce sens, la recherche présentée dans cette thèse contribue au développement et à la pénétration des programmes de réponse à la demande. Ces approches ont été conçues du point de vue de l'utilisateur, qui veut satisfaire sa demande à un coût raisonnable, mais compte tenu des variables du système de puissance telles que la réduction et le coût des pics. Pour atteindre cet équilibre, ce projet de recherche combine plusieurs éléments du monde réel et d'autres idées nouvelles afin de faire l'évolution du réseau intelligent. L'une des principales contributions de cette thèse est l'utilisation et l'estimation des profils de capacité. Ce concept est présent dans tout le document et est particulièrement important dans les deux premières contributions. Tous les deux traitent de la détermination d'un profil de capacité adéquat. Les profils de capacité sont déterminés à l'avance et représentent les besoins énergétiques futurs des utilisateurs finaux dans un contexte de réponse à la demande. Dans le premier cas, la méthodologie se concentre sur les appareils de chauffage et de refroidissement. Le profil de capacité fonctionne en combinaison avec un contrôleur d'admission existant pour guider l'opération de température du bâtiment. Dans cette contribution, le profil de capacité est estimé en utilisant une approche d'ajustement de données et un classificateur « multiclass ». Dans le second cas, le cadre est conçu pour représenter des caractéristiques spécifiques d'une demande stochastique. Cette demande est générée par l'agrégation des charges basées sur l'activité dont la consommation est déclenchée par le comportement de l'utilisateur. Ici, les profils de capacité sont déterminés en fonction de l'information disponible. Tout d'abord, une approche heuristique est préconisée lorsque peu d'informations sont connues sur les modèles de consommation des utilisateurs. Deuxièmement, une optimisation en deux étapes lorsque nous pouvons obtenir les scénarios de demande. Un élément important de cette contribution est l'inclusion d'une tarification flexible du temps et du niveau d'utilisation. Cette politique de prix permet à l'utilisateur de déterminer le profil de capacité et ses tarifs correspondants à partir d'un ensemble d'options fournies par le réseau. Ces tarifs personnalisés sont alignés sur le comportement normal de l'utilisateur et finalement orienter un processus d'apprentissage pour optimiser la consommation. La troisième contribution regroupe plusieurs utilisateurs, différents programmes de réponse à la demande et diverses ressources partagées pour planifier la consommation, le déplacement de charge et la réduction de la charge pointe. Cette approche prend des informations telles que les profils de demande et les préférences des utilisateurs directement à partir des unités de logement afin de résoudre un problème d'optimisation biobjectif pour compenser la satisfaction totale des utilisateurs et le coût total de la consommation d'énergie. Cette contribution comprend une structure de coût fixe similaire à celle de la deuxième contribution pour encourager le transfert de charge. Enfin, des expériences sont rapportées dans chaque contribution pour valider la performance de l'approche proposée. Ces résultats comprennent des éléments comme l'analyse de sensibilité, les comparaisons de référence et les fonctionnalités du monde réel afin de clarifier les points forts, les limites et les projets de recherche à venir.

Abstract

The recent changes to power systems have opened up a frontier of challenges and potential benefits for all the participants. The smart grid paradigm helps to support better decisions, to improve efficiency, and to provide a more reliable, economic, and sustainable energy supply. This is particularly important given the growing interest in user participation via demand-response programs. The research presented in this thesis contributes to the development and penetration of demand-response programs. These approaches have been developed from the user perspective, taking into account elements of the power system such as peak reduction and cost. This research combines elements from the real world and novel ideas to balance conflicting goals and move forward in the evolution of the grid. One of the main contributions is the use and estimation of capacity profiles. The idea behind setting a capacity profile is to establish a compromise between the expected demand and the level of service perceived by the user. The capacity profiles are determined in advance and account for the users' future energy requirements in a demand-response context. In the first contribution (Chapter 4) the methodology focuses on heating and cooling devices. The capacity profile works in combination with an existing admission controller to guide the control of the building temperature. In this case the capacity profile is estimated by a data-fitting approach and a multiclass classifier. In the second contribution (Chapter 5) the framework is based on specific features of a stochastic demand. This demand is generated by the aggregation of activity-based loads that are triggered by the user behavior. Here, the capacity profiles are determined as a function of the available information. First, we use a heuristic approach when we have limited information about the consumption patterns. Second, we use two-stage optimization when we have the demand scenarios. One highlight of this contribution is the inclusion of a flexible time-and-level-of-use pricing. This pricing policy allows the user to determine the capacity profile and its corresponding tariffs from a set of options provided by the grid. These customized tariffs are aligned with the normal user behavior and eventually guide a learning process to optimize the consumption. The third contribution (Chapter 6) aggregates several users, different demand response programs, and various shared resources to plan the consumption, load shifting, and peak reduction. This approach takes information such as the demand profiles and user preferences directly from the housing units. It solves a biobjective optimization problem to find a trade-off between the total user satisfaction and the total cost of the energy consumption. This contribution includes a fixed cost structure similar to that of the second contribution to encourage load shifting. Finally, experiments are reported in each contribution to validate the performance of the proposed approaches. We provide sensitivity analysis, benchmark comparisons, and a discussion of real-world features to help clarify the strengths, limitations, and possibilities for future research.