Kaukolämmön kysyntäjouston nykytilanne ja tulevaisuuden mahdollisuudet

Abstract

Kysyntäjoustolla tarkoitetaan kulutushuippujen tasaamista siirtämällä kuormaa huippukulutuksen ajankohdilta pienemmän kulutuksen ajanhetkille. Yleisesti kysyntäjousto on terminä tutumpi sähköverkkojen yhteydessä. Erityisesti vuoden alussa pörssisähkön hinnan noustessa yli kahteen euroon kilowattituntia kohden, suurten pakkasten ja sähköntuotannon ongelmien takia, ihmiset turvautuivat kysynnän hinnanjouston perusperiaatteeseen. Sähkölaitteita ei käytetä kulutuksen, ja täten hinnan huipun aikana, vaan käyttö ajoitetaan suotuisampaan ajankohtaan. Kaukolämmön kysyntäjoustossa noudatetaan samoja pääpiirteitä sähkön kysyntäjouston kanssa: huippukuorma koitetaan ajaa tasaisemmaksi.

Työn tarkoituksena on selvittää, miten kaukolämmön kysyntäjoustoa toteutetaan nykypäivänä, mitä etuja energiayhtiöt, yritys- ja yksityisasiakkaat kysyntäjouston toteuttamisesta saavat ja tutkia käytännönläheisiä esimerkkejä eri projektien ja case-tapauksien avulla. Tässä työssä tutkitaan myös mahdollisia tulevaisuuden läpimurtoja kaukolämmön kysyntäjouston alalla. Kaukolämmön kysyntäjousto itsessään on suhteellisen uusi käsite ja aiheesta tiedonhaun yhteydessä törmää usein eri termeihin, joilla tarkoitetaan samaa asiaa. Työ on tehty käyttäen mahdollisimman vakiintuneita ilmaisuja.

Työssä huomattiin, että tekniset eroavaisuudet sähkö- ja kaukolämpöverkkojen toiminnassa eivät kuitenkaan mahdollista samoja toimintaperiaatteita toisiaan vastaavissa tilanteissa. Yritys- ja yksityisasiakkaiden osallistuminen kysyntäjoustoon vaatii usein alkuinvestointeja, mutta tutkimustapaukset osoittivat jopa 20 % säästöt lämmityksessä ja sähkönkulutuksessa, jotka johtivat kymmenistä tuhansista euroista satojen tuhansien eurojen vuotuisiin säästöihin. Taloudellisten hyötyjen lisäksi kysyntäjouston todettiin vähentävän riippuvuutta huippuvoimalaitoksiin, vähentäen fossiilisten polttoaineiden käyttöä ja täten ympäristöpäästöjä. Järjestelmän optimointi voitaisiin tulevaisuudessa toteuttaa AI-ratkaisuilla, joissa tekoälymalli automaattisesti seuraa lämmitykseen kuluvan energian käyttäytymistä.

Demand response (DR) or demand side management (DSM) is often used when talking about moving peak load hours to a lower demand moment in time. Usually demand response is more well-known when concerning electrical grids. Especially during the start of the year when Finland got hit by major frosts and had trouble supplying electricity throughout the country. That made the spot price of electricity spike up to over 2 euros per kilowatt hour momentarily and during that time the people resorted to the price elasticity of demand. During peak electricity price, electrical devices were not used, but timed to a more suitable moment. The demand response in district heating (DH) follows the same main goals as electricity DSM: to reduce peak load hours.

The aim of this thesis is to examine how DSM is currently implemented in DH systems, what are the benefits energy companies, businesses and private customers gain from participating, and to grasp practical examples through different projects and case studies. The future of possible breakthroughs is also studied in the field of DSM. As the whole topic is relatively new, various works in the literature has the terminology mixed. This thesis is carried out by using the most established expressions possible.

In the thesis it was noted that the technical differences in the grids of electricity and DH make them so, that the principles may differ vastly. The participation of corporate and private customers in DSM often requires initial investments. However, case studies suggest that there could be up to 20 % savings in heating and electricity consumption, resulting in annual profits ranging from tens of thousands of euros to hundreds of thousands. In addition to economic benefits, DSM was found to reduce dependence on peaking power plants, thereby reducing the need for fossil fuels and consequently reducing environmental emissions. System optimizations could be done with AI solutions, where an artificial intelligence model automatically monitors energy consumption patterns for heating demand.