Kaukolämpöjärjestelmän asuinkiinteistöjen digitalisaatioasteen määritysmalli systeemisen tehokkuuden kasvattamiseksi

Abstract

Kaukolämmön tuotanto on viime vuosina muuttunut nopeasti hiilineutraalimmaksi, mutta monessa järjestelmässä huipputeho tuotetaan edelleen fossiilisilla polttoaineilla. Kysyntäjoustoa on tutkittu yhtenä ratkaisuna huipputeholaitoksien käytönajan minimoimiseksi ja hiilidioksidipäästöjen vähentämiseksi.

Tässä diplomityössä muodostettiin rakennustietokannan, energiatodistusrekisterin ja kaukolämmön käyttötietojen perusteella laskentamalli, jonka avulla voidaan kartoittaa eri kaukolämpöyhtiöiden alueen asuinkerros- ja rivitalojen kysyntäjoustopotentiaalia ja karsia niistä siihen sopivimmat rakennukset. Mallin ei ole tarkoitus olla ehdottoman tarkka, vaan se toimii kaukolämpöyhtiöille apuna kysyntäjousto-ominaisuuden suunnittelussa.

Työssä tunnistettiin esimerkkikaukolämpöjärjestelmän yhden vuoden kulutustiedoista potentiaaliset kysyntäjoustojaksot, arvioitiin rakennuksien sisälämpötilan muutoksia aikavakion avulla ja verrattiin rakennuksien yhteislämpötehoa kysyntäjoustojaksojen tuntitehoon. Lähtötiedoissa oli saatavilla noin 70 % kaupungin rakennuksista ja vain 40 % rakennuksista todettiin soveltuvan kysyntäjoustossa käytettäväksi. Kaukolämpöjärjestelmän käyttötiedoista tunnistettiin kysyntäjoustoon soveltuvan noin 1,3 % kokonaisener-giamäärästä ja siitä voitiin siirtää huipputeholaitoksilta perusteholaitokselle kysyntäjoustolla noin 17 % valittujen rakennusten avulla.

The shift towards carbon neutral district heating has increased in recent years but in many systems the peak power is still produced using fossil fuels. Demand side management has been studied as one solution for minimizing the use of peak power production plants and decreasing the systems carbon dioxide emissions.

In this master’s thesis, building, energy performance certificate, and district heating databases were used to create a model for calculating the demand side management potential of row houses and apartment buildings and to identify the most compatible buildings. The goal was not to create an absolute model, but to give the district heating companies insights for planning the demand side management feature in their system.

The demand response periods were identified from a single year usage data, the indoor temperature of each building was studied by means of time constant, and the total heating power of the buildings was compared to the hourly power of the demand response periods. Only 70 % of the city’s buildings were available in the source databases and 40 % could be used in the demand side management. From district heating annual energy 1,3 % could be utilized in the demand side management and with the selected buildings, 17 % of it could be shifted from peak power plants production to base power plants production.