haku: @keyword genetic algorithm / yhteensä: 21
hakutulos-lista
viite: 5 / 21
« edellinen | seuraava »
Tekijä:Garcia Gosalbez, Ignacio
Työn nimi:Demand Control Tool for Houses with Thermal Energy Storage Systems
Julkaisutyyppi:Final Project-työ
Julkaisuvuosi:2014
Sivut:ix + 61 s. + liitt. 30      Kieli:   eng
Koulu/Laitos/Osasto:Sähkötekniikan ja automaation laitos
Oppiaine:Power Systems and High Voltage Engineering   (S3015)
Valvoja:Lehtonen, Matti
Ohjaaja:Lehtonen, Matti
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201411032976
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  2413   | Arkisto
Avainsanat:stochastic genetic algorithm
genetic algorithm
water tank
energy storage
control tool
heating
Tiivistelmä (eng):The goal of this thesis is to develop a load control of houses with Thermal Energy Storage systems in order to avoid the appearance of uncontrolled consumptions during peak hours.
In the Nordic countries, the installation of energy storage in households is a common practice: these systems are used to decouple the heating and the electric consumption of the household, enabling the consumer to shift the most electric demand from on-peak to off-peak hours.

These kind of electric customers are subscribed to specific electricity tariffs.
These tariffs are composed by two levels of electricity price, being cheap to consume at night time and expensive during daytime: they are known as "Time of Use" tariffs.
Houses with full storage capacity satisfy their entire heating demand by consuming during "Time of Use" hours; however, houses with partial storage capacity, which own a smaller storage tank, exhibit extra consumptions during daytime out of "Time of Use" hours when their storing capacity is not big enough to supply the heating demand of the house.
These extra consumptions are a priori unexpected, and their appearance may cause economic losses to the electricity distributor.

Finland buys electricity in the Nord Pool Spot, which runs the largest electrical market in the world.
The daily evolution of the electricity price is known a day-ahead in the called Elspot market: this allows distributors to create efficient and economic daily consumption plans for different customers.
In this thesis it is presented a tool to create a consumption plan for houses with Thermal Energy Storage by analysing the daily Elspot price evolution.

The starting data are electric records obtained by metering at distribution level.
These records belong to houses located in four regions of Finland.
Among these houses, some of them exhibit similar consumption trends to a Thermal Energy Storage system: they have been clustered and studied independently.
Once the most relevant parameters of each house are estimated, such as the boiler power and storage capacity, it is applied a mathematical model in order to simulate the hourly evolution of the storage level.
A linear model of heating consumption as a function of the outdoor temperature is presented in this work; in addition, the historical deviations of consumption from the linear model are studied, and play an important role in the demand forecast proposed here.
The model of hourly evolution of the storage level is used to develop a day-ahead control.
Through the demand forecast, it is computed a feasible consumption level for the next day.

A control vector is created every day and given to the customer.
This vector offers the most economic loading pattern that satisfies the heating demand, and allows the controller to estimate the actual storage level of the house; the loading pattern is generated by using the Stochastic Genetic Algorithm, an application of the Genetic Algorithm, widely used in optimization processes.

Finally, it is also presented a storage level updating tool that allows tracking the behaviour of the customer regarding to the control given.
ED:2014-11-09
INSSI tietueen numero: 50012
+ lisää koriin
« edellinen | seuraava »
INSSI