Enhancing passive house energy performance through analysis of time-varying carbon emissions

Martinho, Rita Maria dos Santos

http://hdl.handle.net/10400.5/97469

Use this identifier to reference this record.

Name:	Description:	Size:	Format:
TM_Rita_Martinho.pdf		7.95 MB	Adobe PDF	Download

Send Feedback

Authors

Martinho, Rita Maria dos Santos

Advisor(s)

Panão, Marta João Nunes Oliveira

Abstract(s)

O setor dos edifícios é responsável por um quinto das emissões globais de gases com efeito de estufa (GEE) por ano, a maioria das quais resultam da geração remota de eletricidade. A redução das emissões neste setor resultaria numa diminuição significativa das emissões globais de GEE. A rede elétrica é composta por diversas tecnologias de produção que operam a diferentes níveis a horas do dia distintas. Como resultado, as emissões de GEE associadas à produção de energia variam ao longo do tempo, de acordo com as tecnologias que operam a cada momento e a quantidade de energia que produzem. Tal pode ser quantificado em fatores de emissões distintos por tecnologia que integram a produção de eletricidade no total do ciclo de vida. Esta variabilidade na rede tende a tornar-se ainda mais relevante com a crescente introdução de energias renováveis, que também têm emissões de GEE associadas, maioritariamente nas fases de infraestrutura e cadeia de abastecimento. A análise dos fatores de emissão de GEE variáveis no tempo permite uma melhor compreensão do potencial das estratégias de eficiência energética e as emissões que a sua implementação pode evitar. No contexto deste trabalho, estes fatores são denominados sinais e podem ser utilizados como controladores para modelar o consumo de eletricidade através de estratégias de gestão da procura e eficiência energética. Para além dos sinais de fatores de emissão de GEE, também pode ser utilizado o sinal Preço que é caracterizado pelo o custo em Euros por unidade de eletricidade, a cada hora do dia. Esta análise foi realizada para 2023 através do caso de estudo de uma Passive House, denominada Casa da Palmeira, localizada em Ílhavo, Aveiro, que foi desenvolvida pela empresa Homegrid. Para tal, foi necessário estabelecer um método para modular o consumo de energia dos sistemas de climatização e de água quente sanitária no edifício. O Fator de Emissão Médio (sinal XEF) foi determinado através dos fatores de emissão de cada tecnologia de produção e a correspondente energia produzida a cada hora do dia, obtendo-se assim um sinal variável no tempo. O Fator de Emissão Marginal (sinal MEF) para 2022 e 2023 foi criado de acordo com o mix marginal da rede elétrica portuguesa, que inclui as tecnologias de produção que influenciam diretamente as mudanças na procura de eletricidade da rede, nomeadamente as tecnologias de produção com base na energia hidroelétrica, térmica por combustão de gás natural em ciclo combinado, solar fotovoltaica e outras térmicas. A importação de energia de Espanha não é considerada no mix marginal pois está inversamente correlacionada com a procura de eletricidade, sendo que aumenta quando a procura diminui, e vice-versa. Por outro lado, a exportação de eletricidade para Espanha deve ser considerada pois influencia diretamente a procura. O MEF é baseado na carga do sistema e na percentagem de produção hidroelétrica como principais preditores, por serem os aspetos que mais influenciam as mudanças de procura de eletricidade. Foi determinada a diferença entre as emissões totais de GEE do mix marginal e entre a carga do sistema do mix marginal de uma hora para a outra. Estes dados, assim como os dados da percentagem de produção hidroelétrica e carga do sistema a cada hora, foram agrupados em 20 conjuntos. Dentro de cada conjunto, foram criados subconjuntos de acordo com a percentagem de produção hidroelétrica. Através da regressão linear das diferenças entre as emissões totais de GEE do mix marginal e entre a carga do sistema do mix marginal de uma hora para a outra, foi obtido o MEF de cada subconjunto. De modo a prever o sinal MEF ao longo do ano, foi utilizado o modelo de Machine Learning, Gradient Boosting Regressor. O sinal MEF tende a ser maior quando a carga do sistema e a produção hidroelétrica são menores, porém a influência da carga do sistema no MEF tende a desaparecer quando a carga é muito elevada. Concluiu-se que o sinal MEF expressa inversamente a variabilidade da procura de eletricidade e da produção hidroelétrica, enquanto que o sinal XEF expressa diretamente a variabilidade da procura de eletricidade e inversamente a variabilidade da produção de energia renovável. Ambos são inversos entre si em diversas horas do dia. O sinal Preço tende a seguir a variabilidade da procura de eletricidade e a ser maior quando a produção hidroelétrica é mais elevada. Para modelar o uso da água quente sanitária, adotou-se uma estratégia de antecipação do consumo para períodos em que o sinal escolhido é menor. Esta estratégia foi realizada para o sinal XEF, MEF e Preço. Para evitar que os ocupantes sejam obrigados a mudar os seus hábitos de consumo, esta estratégia implicaria o uso de um temporizador para programar a bomba de calor para aquecer a água antecipadamente nos novos horários e armazená-la no tanque de armazenamento. Concluiu-se que a utilização do sinal MEF resultou na maior diminuição das emissões de GEE, uma redução de 12,4%, porém levou a um aumento de 9% nos custos com a eletricidade. Por outro lado, os sinais XEF e Preço resultaram num aumento das emissões de GEE, um acréscimo de 12,3% e 16,1%, respetivamente. Adicionalmente, ambos causaram a diminuição dos custos com a eletricidade, numa redução de 11,3% e 20,5%, respetivamente. Para modulação do consumo dos sistemas de climatização, a temperatura do termóstato foi determinada para cada um dos sinais variáveis no tempo, através do horário de ocupação da casa, do modo do ar condicionado (aquecimento ou arrefecimento) e do período de penalização a cada hora. O período de penalização de cada sinal é determinado através do percentil 40 e 60 dos valores das últimas 24 horas. Quando o sinal está abaixo do percentil 40, encontra-se num período de penalização baixo, se estiver acima do percentil 60, encontra-se num período de penalização alto e se estiver entre ambos, encontra-se num período de penalização médio. Na sequência de diferentes simulações utilizando a temperatura do termóstato modelada e uma simulação de controlo, foram obtidos diferentes resultados de acordo com os três sinais utilizados para a modelação. Ao comparar os diferentes casos de simulação, concluiu-se que o sinal MEF permite uma melhor otimização dos sistemas, pois resultou na maior diminuição das emissões de GEE e poupanças de eletricidade, com reduções de 8.3% e 1.6%, respetivamente, em comparação com o caso de controlo. Em contraste, o sinal Preço resultou nas maiores poupanças monetárias à custa de um aumento nas emissões de GEE, numa redução de 7% nos custos com a eletricidade e um acréscimo de 2.2% nas emissões de GEE. Apesar de ambos o sinal XEF e MEF serem mais precisos do que o sinal constante ao longo do ano (BAC), o sinal XEF apenas considera a variabilidade da rede elétrica no estado atual. Por outro lado, o sinal MEF considera também o modo como a rede elétrica responde a qualquer procura de eletricidade adicional que possa ser solicitada a esta, através do despacho de diferentes centrais de produção elétrica. Esta é a característica chave para poder determinar a quantidade de emissões de GEE evitadas por cada caso. De modo a comparar com o caso real, os consumos medidos na Casa da Palmeira foram analisados, porém, os casos de simulação apresentam condições climáticas diferentes da realidade, devido ao ficheiro climático utilizado para a simulação. Sendo o número de graus-dia de aquecimento muito maior no clima de simulação, o consumo energético foi maior do que no caso real e por consequência, também as emissões de GEE foram maiores. Para normalizar os resultados, estes foram divididos pelo número de graus-dia de aquecimento de cada clima. Observou-se que o número de horas de uso do ar condicionado por grau-dia de aquecimento foi maior nos casos de simulação, o que diminuiu o número de horas de desconforto mas mesmo assim resultou num maior consumo energético e de emissões de GEE por graudia de aquecimento. Algumas recomendações para estudo futuro incluem o registo das horas de ocupação real da casa, dados com melhor qualidade e a utilização de um ficheiro climático com condições de clima mais próximas ou até idênticas à realidade se possível. Adicionalmente, seria útil analisar também a produção solar fotovoltaica na Casa da Palmeira e utilizar esta informação para replicar o trabalho.

The building sector is responsible for a fifth of the global greenhouse gas emissions per year, the majority of which stem from offsite electricity generation. Curbing the emissions in this sector would result in a significant decrease in global emissions. The electricity grid is made up of several different generation technologies that operate on different levels at different times of the day. As a result, the greenhouse gas emissions associated with the energy production will vary in time accordingly, as each technology contains a certain Emission Factor determined for its life-cycle. This variability tends to become even more relevant with the growing introduction of renewable energy sources in the grid. The assessment of time-varying emissions, allows for a better understanding of which strategies will lead to bigger greenhouse gas emission savings, and overall lower the total greenhouse gas emissions produced. The Marginal Emission Factor signal was computed for 2022 and 2023 according to the Portuguese marginal grid mix and based on the two key predictors (System Load and Hydropower percentage) that drive the changes in demand. The analysis was conducted in this work for the year 2023, by testing different control signals (Average Emission Factor signal, Marginal Emission Factor signal and Price signal) in demand side management strategies applied to the domestic hot water and HVAC systems of a case study and comparing their results. It was concluded that the Marginal Emission Factor signal allows for better optimization of the systems, since it resulted in the highest greenhouse gas emission and electricity savings, with reductions of 8.3% and 1.6%, respectively, compared to the control case. In contrast, the Price signal led to bigger monetary savings at the expense of an increase in greenhouse gas emissions.