Een probabilistische methode voor het meta-modelleren van de impact van residentiële warmtepompen en PV op laagspanningsnetten

Europees beleid, gericht op het verminderen van het energiegebruik in woningen en CO2-emissies, bevordert de energie-efficiëntie in gebouwen, de elektrificatie van verwarming en de opwekking van hernieuwbare elektriciteit. Lage-emissie technologieën zoals warmtepompen en fotovoltaïsche (PV) systemen op het dak kunnen het elektriciteitsprofiel sterk beïnvloeden. Dit heeft een potentiële impact op alle niveaus van het elektriciteitssysteem. Technische beperkingen van het distributienet limiteren de mogelijke uitrol van deze technologieën in de praktijk omdat de zware elektrische belasting specifieke oplossingen zoals opslag of netversterkingen zouden vereisen. Deze beperkingen worden echter vaak genegeerd of op een te vereenvoudigde manier bekeken in high-level beoordelingen. Daarom is dit proefschrift gericht op het probabilistisch beschrijven en kwantificeren van de impact van residentiële warmtepompen en PV op laagspanningsdistributienetten. Verder betracht het om meta-modellering te verkennen als numeriek minder veeleisende methode voor een vereenvoudigde beoordeling wat het gebruik  van de resultaten in high-level studies moet faciliteren.

Eerst wordt een methode ontwikkeld die het mogelijk maakt om de effecten van warmtepompen en PV op verschillende cases van laagspanningsdistributienetten te analyseren. Deze methodologie combineert een gedetailleerde simulatie van gebouwen en netwerken door middel van Modelica en een Monte Carlo-benadering om onzekerheden met betrekking tot de elektrische belasting in te rekenen. De invloed van modellen en methodologische aannames wordt verder geanalyseerd en vervolgens wordt de methode gebruikt voor de studie van de impact van warmtepompen en PV op Belgische laagspanningsdistributienetten. De resultaten illustreren de problemen die optreden bij een doorgedreven implementatie van deze technologieën en identificeren de belangrijkste netwerk- en gebouwparameters. Sensitiviteitsanalyses onthullen bovendien het belang van randvoorwaarden, zoals de weersomstandigheden, bij dergelijke beoordelingen.

Om deze bevindingen vervolgens te kunnen vertalen in beslissingsondersteunende tools voor grootschalige onderzoeken, richt het tweede deel van dit proefschrift zich op het ontwikkelen van meta-modellen. Hiermee kan de beoordeling van grid-impact indicatoren uit de complexe simulaties met behulp van een aantal goedgekozen inputparameters op een numeriek efficiënte manier benaderd worden. De methodologie voor meta-modellering is gebaseerd op de relevante literatuur terzake en past deze toe op het specifieke geval van grid-impactanalyse. Elke stap in de meta-modellering wordt uitvoerig besproken, met de nadruk op specifieke uitdagingen en wordt vervolgens toegepast om meta-modellen te trainen voor grid-impactindicatoren op basis van gridparameters en enkele gebouweigenschappen. Eenvoudige modellen, zijnde ridge regressie en logistische regressie, worden eerst verkend waarbij modelcontrole, inferentie, modelselectie, en de specifieke behoeften van verschillende indicatoren worden besproken. Vervolgens worden neurale netwerken ontwikkeld voor indicatoren die de minimale spanning analyseren. Deze bleken immers moeilijker te voorspellen met een eenvoudige regressie. Verschillende modelleringskeuzes worden voor deze modellen onderzocht om de complexiteit en opportuniteiten van meta-modellen te benadrukken. Zowel de lineaire modellen als de neurale netwerken gaven veelbelovende prestaties. Omdat deze laatste methode echter aanzienlijk meer trainingstijd vereist, wordt aanbevolen om het gebruik ervan voor te behouden voor gevallen waarin de lineaire modellen geen bevredigende resultaten opleveren.

Algemeen gesteld, toont dit onderzoek aan dat meta-modellering het potentieel heeft om lokale netwerkbeperkingen op te nemen in high-level beoordelingen, bijvoorbeeld bij beleidsevaluaties, stadsplanning of netwerkbeheer en -ontwerp.