deterministic and stochastic a

     

 

Models of domestic occupancy, activities and energy use based on  time‐use data: deterministic and stochastic approaches with  application to various building‐related simulations 

Joakim Widéna,*, Andreas Molinb, Kajsa Ellegårdc    a Department of Engineering Sciences, Uppsala university, P.O. Box 534, SE­751 21 Uppsala,  Sweden.  b Division of Energy Systems, Department of Management and Engineering, Linköping  University, SE­581 83, Linköping, Sweden  c Technology and Social Change, Linköping University, SE­581 83 Linköping, Sweden    * Corresponding author. E‐mail adress: [email protected]. Tel.: +46 18 471  37 82.        

Abstract 

Time‐use data (TUD) have a large potential for improving occupancy and load modeling  and for introducing realistic behavioral patterns into various simulations. In this paper  previously developed models of occupancy, activities and energy use based on TUD are  extended  and  described  in  a  general  framework.  Two  extensions  are  studied:  deterministic  conversion  of  empirical  TUD  is  extended  into  a  complete  thermal  load  model  encompassing  both  occupancy  and  various  end‐uses  and  a  Markov‐chain  approach  for  generating  synthetic  TUD  sequences  is  extended  to  include  a  model  for  load  management.  Three  examples  of  building‐related  applications  are  presented:  simulation  of  indoor  climate  in  a  low‐energy  building,  household  electricity  load  management in response to time‐differentiated electricity tariffs and simulations of load  matching in a net zero energy building. The main conclusion is that the extended model  framework  can  generate  detailed  and  realistic  behavioral  patterns  that  allow  diversity  and correlations between end‐uses to be taken into account.    

Keywords 

Time‐use data, Occupancy, Load modeling, Building energy simulation, Load  management, Markov chain        Accepted for publishing in Journal of Building Performance Simulation 

1   

1. Introduction  Following  the  ever  more  ambitious  targets  for  energy  efficiency  around  the  world,  research  in  the  field  of  domestic  energy  use  has  become  increasingly  important  and  extensive.  This  research  area  is  represented  both  in  social  science  and  technical  disciplines. However, traditionally, the two disciplines have,  with few exceptions, been  kept  apart.  In  a  review  of  the  most  important  studies  of  human  factors  in  household  energy use, Lutzenhiser (1993) concluded that a general deficiency of the literature was  that  “[…]  it  has  generally  failed  to  connect,  for  example,  the  energy  impacts  of  social  action  with  the  physical  performances  of  buildings,  technologies,  and  the  natural  environment.”  Although  this  observation  was  made  almost  two  decades  ago,  it  is  still  very much true today. The point of departure of the research presented in this paper is  that technical research and model development in the field of domestic energy use can  benefit  greatly  from  integration  of  research  and  methods  from  the  social  sciences’  efforts in the same field.  The  end‐user’s  behavior  is  of  course  central  to  the  success  of  energy  efficiency  schemes,  but  also  increasingly  important  in  the  study  of  many  emergent,  often  small‐ scale  energy  technologies.  For  example,  direct  matching  between  household  loads  and  on‐site solar photovoltaic systems and in turn the economic benefits, depending on the  crediting system, are highly dependent on the household’s load distribution (Widén and  Karlsson  2009,  Widén  and  Karlsson  2010).  Less  sensitive,  but  still  important,  the  performance of domestic solar heating systems is influenced by the load profile (Jordan  and  Vajen  2001,  Spur  et  al.  2006).  In  local  distribution  grids  or  microgrids  with  widespread  small‐scale  power  generation  and  few  customers,  the  individual  household’s  contribution  to  the  local  balance  between  consumption  and  generation  is  larger  and  it  becomes  important  with  more  detailed  load  models  for  simulations  (Thomson  and  Infield  2007,  Conti  and  Raiti  2007).  All  of  these  effects  are  because  the  small  scale  the  end‐users’  individual  actions are  more  visible,  less  aggregated and  less  averaged and smoothed. Diversity becomes more important, as well as fluctuations and  randomness  on  different  time  scales.  In  the  case  of  low‐energy  or  passive  housing  the  user’s  occupancy  and  energy  use  also  become  more  influential  on  the  building  performance.  Internal  heat  loads  from  occupants  and  equipment  are  relied  on  as  heat  sources, which increases the impact of load diversity (Isaksson and Karlsson 2006, Wall  2006). There is a need to include the user’s actions and activities in a realistic way into  modeling of these technical systems in order to study their performance.  In  previous  research  models  have  been  developed  that  use  time‐use  data  (TUD)  –  sequential, high‐resolved activity data from households, usually collected with diaries –  to  reproduce  a  realistic  user  behavior  (Widén  et  al.  2009a,  Widén  et  al.  2009b,  Widén  and  Wäckelgård  2010).  A  fundamental  observation  is  that  occupancy  is  crucial  for  the  resulting load patterns: people that are at home and active is a prerequisite for energy  use within the building. With modeling from TUD very realistic occupancy patterns can  be  generated,  but  the  main  advantage  with  TUD  is  that  occupancy  patterns  can  be  extended to more general activity patterns that dictate, apart from if the individual is at  home or not, which end‐uses the occupant is involved in. The developed models include  deterministic  conversion  of  TUD  into  end‐use  profiles  and  a  stochastic  Markov‐chain  model that creates synthetic activity patterns for an arbitrary number of persons over  an arbitrarily long time period.  Further  possible  improvements  of  the  model  have  been  identified  in  previous  studies  (Widén  and  Wäckelgård  2010).  Firstly,  the  different  end‐use  models  could  be  combined  and  developed  into  a  complete  load  model,  including  multiple  energy  end‐ 2   

uses and occupancy. In simulations of the indoor climate in buildings, the model would  preserve correlations between different end‐uses modeled from the same activities and  hence  represent  a  more  realistic  user  behavior  than,  e.g.,  load  profiles  combined  from  different  sources  or a set  of  standard  profiles.  Secondly, the  stochastic  approach  could  be  extended  to  include  modeling  of  demand  side  management  (DSM),  which  would  make  the  modeled  user  actions  more  dynamic  and  applicable  to  more  research  problems. Furthermore, there is a need to describe the different developed model types  in a general framework and to summarize the model developments and applications.  In  this  paper  we  present  implementations  of  the  two  developments  suggested  above.  The  deterministic  approach  is  developed  into  a  multiple  end‐use  model  and  a  suggested  load  management  strategy  for  the  stochastic  approach  is  outlined.  The  developments  are  described  in  the  context  of  a  general  model  framework  and  three  application  examples  are  presented.  In  the  first  example  the  deterministic  model  is  applied to simulations of indoor climate in a Swedish low‐energy building to determine  the  effect  of  different  detailed  user  activity  patterns  on  the  perceived  comfort.  In  the  second example the developed load management strategy in the stochastic approach is  tested  in  modeling  of  active  response  to  time‐differentiated  electricity  tariffs.  In  the  third  example  the  stochastic  model,  with  the  load  management  option,  is  used  to  simulate the temporal mismatch between photovoltaic generation and a net zero energy  building’s load profile at a high‐latitude location, and methods to reduce this mismatch.  In  Section  2  a  background  on  time  use  research  and  methodology  is  provided  and  previous  research  on  the  topic  of  occupancy  and  load  modeling,  both  in  general  and  modeling from TUD, is summarized. In Section 3 the general methodology for modeling  from TUD is presented, with focus on the two model developments. The three example  applications are presented in Section 4 and a concluding discussion is given in Section 5.     

3   

2. Background    2.1 Time use and everyday life  As  indicated  above,  peoples’  daily  activities  in  everyday  life  are  crucial  for  the  use  of  energy in households. A recent literature review of Nordic research of everyday life by  Karlsson et al. (2010) identifies research on everyday life in a wide variety of academic  disciplines;  sociology,  home  economics,  social  anthropology,  pedagogy,  human  geography, occupational therapy and social work, to mention a few. Important concepts  in the research on everyday life are for example habits and routines, and the variation  between  individuals  of  different  socioeconomic  groups  or  cultures  is  researched.  Everyday  life  studies  are  often  based  on  deep  interviews,  focus  groups  or  video‐ recordings  of  a  small  number  of  individuals.  Still,  not  few  studies  struggle  with  definitions of what everyday life is (Karlsson et al. 2010). During the past century many  social scientists have researched energy use in everyday life. The interest is directed to  policy means (Carlsson‐Kanyama and Lindén 2002, Lindén 2004, Palm 2009, Benders et  al. 2006) and to peoples’ lifestyles from a sociological and anthropological perspective  (Aune 1998, 2007). In several recent studies the hidden character of energy in everyday  life is underlined, as is the role of habits and routines in making energy something taken  for granted and used without thinking of it as a resource. (Shove 1999, 2003, Karlsson &  Widén 2009).  Despite extensive research in the social sciences, in many engineering contexts the  actions  of  the  end  user  are  still  often  treated  simplistically,  averaged  and  without  consideration  of  diversity,  context  and  time  resolution.  It  is  challenging  to  represent  human  activities  in  a  numerical  model  and  to  make  use  of  the  extensive  but  often  too  qualitative results of social science, suggesting some connection between the qualitative  field  of  social  science  and  the  quantitative  field  of  simulations  is  needed.  The  models  presented in this paper is based on the time­geographic approach, which originates from  and has found the majority of its applications in the social sciences. Time geography is  an approach for researching human resource utilization that was developed in order to  integrate the fundamental, though often neglected, dimensions of continuity in time and  space  in  social  science  and  also  link  the  social  dimension  to  nature,  materiality  and  technology (Hägerstrand 1970, 1985).   In  time  geography  the  individual  is  regarded  as  a  continuant  and  her  time‐space  “biography” can be described by the individual path, depicting her movements between  places over time (Lenntorp 1976). It ranges from very short to very long time periods.  The individual path is useful to describe not only human individuals but also the time‐ space movements of any kind of individual object (living or non‐living, naturally created  or  artifacts).  Hence,  tools  and  appliances  used  by  human  individuals  in  their  everyday  life as well as the human individuals themselves can be described in the same way. This  provides  a  basis  for  analyzing  a  manifold  of  aspects  characterizing  everyday  life,  like  when, where and for how long one or more individuals use various resources. However,  the strength of the visualization is lost when more than a limited number of individual  paths  are  depicted  in  a  diagram,  since  the  image  gets  blurred.  To  overcome  this  the  activity­oriented individual path is developed, which in a first step of analysis highlights  the  sequence  of  activities  and  in  a  second  step  of  analysis  also  relate  activities  to  the  places  where  they  were  performed  (Hägerstrand  1970,  Lenntorp  1976).  Examples  of  individual and activity‐oriented paths are shown in Figure 1. 

4   

  Figure 1. Example of a time­geographic individual path (to the left) and the corresponding  activity­oriented graph (to the right). The activity­oriented path is a projection of the  individual path on the time axis.    A  time‐geographical  description  of  the  everyday  life  of  an  individual  is  based  on  the  sequence  of  activities  performed  at  one  or  more  places  during  a  time  period,  including  transportation.  As  mentioned  in  the  introduction,  these  sequences  can  be  collected empirically from diaries in the form of time­use data (TUD), of which a further  description  is  provided  in  Section  3.1.  At  the  levels  of  the  household,  neighborhoods,  residential  areas  or  society  many  individuals’  activity  sequences  constitute  aggregate  activity  patterns,  i.e.  the  everyday  life  in  a  group  or  population.  The  time‐geographic  approach  is  thus  a  method  that  holds  a  place  between  quantitative  and  qualitative  approaches. For more qualitative studies, time geographic explorations of everyday life  can be complemented with interviews in order to find out the arguments used by people  to do what they do in different social and geographical settings. On the other hand, the  quantitative aspects of the method can be utilized in statistics and modeling, for example  in studies of domestic energy use.  Results  from  time‐use  studies  are  usually  reported  in  terms  of  the  average  time  used for various activities by an average individual in relevant socioeconomic groups in  the  population.  However,  both  for  modeling  purposes  and  for  using  TUD  as  a  tool  for  revealing habits and for making people aware of their use of resources in their everyday  life, this is not enough. Averages neglect variation, repetition and duration of activities,  which all are important properties in analyzing energy use in households. For modeling  of occupancy and energy use it is far more fruitful and in many cases necessary to use  the activity sequences just as they appear in everyday life.      2.2 Previously developed models and applications  The  methodology  in  this  paper  builds  on  previously  developed  models  that  in  various  ways  construct  occupancy  and  energy  use  profiles  from  TUD.  Widén  et  al.  (2009a)  showed that load profiles for electricity and hot water could be realistically constructed  and reproduced from TUD with a rather uncomplicated deterministic conversion model.  5   

In  short,  the  model  connects  a  constant  power  demand  to  selected  activities  of  each  household member, and the individual appliance load profiles thus obtained are added  to  produce  a  total  load  profile  for  each  household.  The  model  was  validated  against  measured  load  data,  which  suggested  that  the  modeled  profiles  were  realistic.  As  the  study suggested that TUD could provide an accurate basis for modeling domestic energy  use  the  concept  was  developed  further  in  Widén  et  al.  (2009b)  and  Widén  and  Wäckelgård  (2010).  In  the  former  study  an  occupancy  model  based  on  non‐ homogeneous  Markov  chains  was  used  to  generate  synthetic  occupancy  patterns  and  model  domestic  lighting  demand.  In  the  latter  study,  the  approach  was  extended  to  activity patterns and used to produce highly realistic and high‐resolved load profiles for  household  electricity.  From  a  detailed  validation  against  measurements,  it  was  concluded that the stochastic models reproduce all the important features of electricity  loads: end‐use composition, diurnal and annual variations, short time‐scale fluctuations,  diversity between households and load coincidence.  The models have been used in various applications, mainly related to utilization of  small‐scale  renewable  energy.  The  deterministic  conversion  model  has  been  used  to  study utilization of solar photovoltaics in households and options to increase the solar  fraction  (Widén  et  al.  2009c)  and  to  determine  the  impact  of  different  hot  water  load  profiles  on  domestic  solar  heating  systems  (Lundh  2009).  The  conversion  model  has  also  been  implemented  in  VISUAL­TimePAcTS/energy  use,  which  is  a  software  for  visualization of empirical activity sequences and energy use patterns of individuals and  groups  (Ellegård  and  Cooper  2004,  Ellegård  and  Vrotsou  2006,  Vrotsou,  Ellegård  and  Cooper 2009). The stochastic model has thus far been used to generate load profiles for  power‐flow simulations of low‐voltage electricity distributions grids with large amounts  of  distributed  generation  (Widén  et  al.  2010)  and  for  studies  of  the  effect  of  different  crediting systems for on‐site photovoltaics (Widén and Karlsson 2010).    2.3 Similar models of occupancy and energy use  Over  the  years,  several  related  models  for  generating  household  electricity  load  data  have been proposed. The most common type is bottom­up models, in which a load profile  for  a  household  or  a  set  of  households  is  generated  by  successively  combining  and  aggregating different types of lower‐level data, sometimes down to entities representing  single  appliances  or  individuals.  Examples  include  Capasso  et  al.  (1994),  Paatero  and  Lund  (2006),  Stokes  et  al.  (2004),  Stokes  (2005)  and  Armstrong  et  al.  (2009).  These  models vary in degree of complexity, number of assumptions and amount of input data.  Fundamental for all, though, is the prerequisite of occupants being available for use of  electrical appliances. Occupancy has been explicitly modeled for this and other purposes  by Richardson et  al. (2008) in an approach using TUD, similar to the one presented in  this  and  previous  papers,  and  by  Page  et  al.  (2008).  The  approach  in  Richardson et  al.  (2008)  was  extended  to  a  domestic  lighting  model  (Richardson  et  al.  2009a)  and  a  complete  modeling  framework  for  distributed  power  systems  is  being  developed  (Richardson  et  al.  2009b).  Similar  models  have  been  proposed  by  Tanimoto  et  al.  (2008a,b).  Stochastic  occupancy  and  behavioral  models  have  also  been  suggested  for  modeling  of  lighting  control  (Reinhart  2004),  shading  devices  (Haldi  and  Robinson  2010) and ventilation (Yun et al. 2009).            

6   

3. Methodology    3.1 Time use data  The TUD that the presented models are based on consist of empirical activity sequences  that  describe,  normally  with  a  high  time  resolution,  which  activities  one  or  many  individuals perform, and within which geographical and social contexts these are taking  place.  As  an  example,  Figure  2  shows  activity  sequences  for  a  group  of  persons  visualized  with  the  VISUAL­TimePAcTS/energy  use  software.  Each  individual’s  activity  sequence  is  visualized  as  a  continuous  sequence  and  an  aggregate  activity  pattern  is  revealed when several activity sequences are visualized side by side according to chosen  criteria like, for example, gender and age. As an example of extraction of a subset from  the software database, Figure 2 shows individuals aged between 22 and 30 years.   

  Figure 2. Examples of activity sequences in the form of empirical TUD, visualized with  the VISUAL­TimePAcTS software. This sample contains individuals aged 22­30 in the  SCB 1996 TUD set. Individuals are sorted by decreasing age from left to right for men  and women separately.    Each individual performs a sequence of activities that bears meaning to him/her.  Since the individual can perform only a limited number of activities at the same time and  occupy only one place at a time, a diary in which the sequence  of activities performed  are  noted  will  serve  as  an  excellent  means  to  trace  the  individual’s  activity  path.  To  collect  TUD  individuals  are  asked  to  note  their  activities  continuously  during  the  surveyed days in a simple diary.  The  diaries  contain  information  about  what  activities  the  individual  is  occupied  with,  where  she  has  been  located,  when  the  activities  were  performed  at  different  locations  and  together  with  whom  the  activities  were  performed.  (Ellegård  1999)  7   

Indirectly more information can be collected from the diaries: some activities are always  performed for a specific purpose, telling why the activity is performed. Also indirectly, it  is possible to model what kind of tools and appliances are utilized. Being at home means  the apartment is occupied, going by car means a car is used and preparing food claims  various  kinds  of  white  goods  and  appliances.  To  process  diaries  in  the  models  the  activities,  places  and  accompanying  persons  are  coded  according  to  a  special  hierarchical  categorization  scheme  where  activities  are  categorized  with  increasing  degree  of  specificity  (Ellegård  1999).  As  an  example,  Figure  2  shows  the  most  general  and least detailed activity categories in a color code scheme.  The  set  of  raw  data  used  for  developing  the  models  presented  here  (in  the  following referred to as ‘SCB 1996’) was collected by Statistics Sweden (SCB) in a pilot  study  in  1996  and  has  been  utilized  in  all  of  the  previous  model  publications.  In  total  463 individuals (50% men and women) in 179 households wrote diaries one week day  and  one  weekend  day. The  age  span  is  from  10  to  97  years  and the  individuals  live  in  different geographical areas of Sweden. Although these data are one and a half decade  old,  no  time  use  survey  since  then  has  been  performed  with  this  scope  and  degree  of  detail  and  there  is  no  TUD  set  that  has  been  as  extensively  tested  for  consistency  and  completeness.  Most  importantly,  previous  model  validations  have  shown  that  reproductions  of  aggregate  load  data  correspond  closely  to  today’s  household  load  patterns  and,  thus,  that  there  has  been  no  extensive  shift  in  any  of  the  basic  activity  patterns that the energy‐use modeling is based on (Widén et al. 2009a).       3.2 General model framework  The  general  model  framework  includes  a  set  of  conversion  functions  for  constructing  end‐use  profiles  from  TUD.  These  functions  can  either  be  used  in  a  deterministic  approach  where  empirical  TUD  are  converted  or  in  a  stochastic  approach  where  the  conversion  functions  are  applied  to  synthetic  activity  sequences  generated  by  a  stochastic  process  with  parameters  determined  from  an  empirical  TUD  set.  In  the  following, we consider a hypothetical household with N members, with a set of activity  sequences a1(k), …, aN(k), where k = 1, …, K denotes the time step. As indicated above,  information is normally collected about where and with whom activities are performed.  This information could also be utilized in modeling. In the following, however, the latter  piece of information is not used and it is assumed that only activities performed at home  are considered specifically and that at all other locations the individual is considered to  be in an “away” state.    3.2.1 Conversion model  The fundamental part of the model framework is the method for conversion of TUD into  occupancy  and  end‐use  profiles.  The  exact  functions  depend  on  the  modeled  end‐use  category,  but  some  typical  generalized  conversion  functions  can  be  defined.  Before  applying a conversion function to the activity sequences it is  necessary to sort out the  activities involved. Depending on the end‐use, the number of activities can be different.  With  such  a  subset  of  activities  A,  a  step  function  describing  whether  any  of  these  activities are performed by a certain individual is defined:  0,               (1)  1, otherwise This  function  is  equal  to  one  when  any  of  the  activities  are  performed  and  zero  otherwise.  In  some  cases,  for  example  use  of  TV  and  other  appliances,  shared  or  collective  use  can  be  assumed.  In  these  cases  it  is  necessary  to  consider  whether  an  8   

activity  is  performed  by  one  or  more  members  or  not  at  all.  In  this  case,  a  similar  function for the whole household is defined:  1,        ∑ 1            (2)  0,        ∑ 0 From  these  step  functions  a  number  of  general  conversion  functions  can  be  defined,  starting from a general function on the form:  , 1 ,…, 1           (3)  That is, the output depends on the current state and, possibly, on previous states. Very  generalized, three typical functions describe how end‐use profiles can be obtained from  the TUD. These are also outlined in Figure 3. The first function describes energy use that  assumes different levels when the associated activities are performed and when they are  not, corresponding, e.g., to active use and standby of an appliance):  , 1            (4)  , 0    

  Figure 3. Examples of the conversion functions defined by Equations 4­6 in (a)­(c),  respectively.    An example of this is outlined in Figure 3 (a). In the second function energy is demanded  during the activity but with a predefined profile:  ,     1,    1 1 ,     1,    1 1,    (5)             1 ,…, 2 0  ,    otherwise The  value  is  thus  determined  by  in  which  previous  time  step  the  change  to  an  active  state  occurred  (if  so,  the  difference  is  equal  to  1)  and  whether  the  activity  has  been  performed  since  then  ( 1 0 .  An  example  is  shown  in  Figure  3  (b).  The  third  9   

function describes energy use that is performed after an activity is performed (e.g. if the  activity is of the type “turning on an appliance”):  ,         1 1 ,         1 2 1,    1 ,         2 3 1,    , 1 1      (6)  ,        

1

1,   

,…,

2

1

,       otherwise If  the  step  function  has  changed  from  one  to  zero  (difference  =  –1)  the  energy  use  in  subsequent time steps assumes predefined values, provided the activity has not started  again ( , … 1). An example of this function is shown in Figure 3 (c) Total end use  ∑ for the household is determined as   or, in the case of shared end use, by  applying the above functions to u(k) instead of ui(k). Below, modeling of some general  end‐uses is outlined:    Occupancy. Occupancy within the home can be modeled from the ui functions, with  the activity subset A containing all activities performed at home:              (7)  For  application  in  detailed  building  performance  simulations  it  is  also  possible  to  determine occupancy  in  different parts  of  a  building  by connecting sets  of  activities to  different rooms. This requires assumptions that, for example, all cooking activities take  place in the kitchen, sleeping in bedrooms, and so on.      Household  electricity.  Household  electricity  is  modeled  mainly  with  the  first  and  third  conversion  functions  (Equations  4  and  6)  described  above,  the  former  for  appliances used during an activity, e.g. TVs and computers, and the latter for washing,  drying  and  dishwashing  machines,  where  the  associated  activity  is  “fill  and  turn  on  machine”. In most cases the power of an appliance can be assumed constant, while for  some end uses the modeling is more complex, for example for lighting, which depends  on the daylight level, calculated from solar irradiation data. This procedure is described  in more detail in Widén et al. (2009b). Model implementations for household electricity  with  different  degrees  of  complexity  are  presented  in  Widén  et  al.  (2009a) and  Widén  and Wäckelgård (2010).    Domestic  hot water. Domestic hot water use is mainly modeled with the first and  second conversion functions (Equations 4 and 5). The former is used to describe water  being drawn during the entire course of the activity, for example showering. The second  one is used in situations where water is drawn during a certain part of the activity, for  example  bathing  water  is  assumed  to  be  drawn  only  in  the  beginning  of  the  activity.  Conversion to hot water use has been treated in more detail in Widén et al. (2009a) and  Lundh (2009).  Thermal  loads.  Thermal  loads,  i.e.  heat  emitted  to  the  surroundings  from  appliances,  hot  water  use  and  persons,  can  be  modeled  based  on  the  three  end‐uses  above. It is possible to use less high‐resolved power profiles in the conversion functions,  some  weighting  factor  to  describe  loss  of  useful  heat  and  it  is  also  in  some  cases  necessary  to  introduce  a  time  delay  between  electricity  or  hot  water  use  and  distribution of heat to the surroundings.  The power levels in each conversion function have to be determined and defined.  Different approaches can be applied for this. Some that have been used previously are  adjusting parameters to make load curves match measured data (Widén et al. 2009c) or  determining them as averages from appliance tests (Widén et al. 2009a).    10   

3.2.2 Deterministic approach  In  the  deterministic  approach  empirical  TUD  sets  are  converted  into  end‐use  profiles  with  the  conversion  functions  outlined  above.  The  advantages  of  converting  directly  from  empirical  TUD  are  that  the  modeling  can  be  very  detailed  as  the  studied  sets  of  activities do not have to be limited as in the stochastic approach (cf. Section 3.2.3). The  actual  sequences  of  activities  are  also  preserved,  which  makes  the  modeling  for  individual  households  more  realistic.  However,  the  approach  requires  access  to  an  entire TUD set in detail, and the model output will have the same limitations (number of  households and time span) as the original data set. An example of a set of empirical TUD  from  the  SCB  1996  data  set  is  shown  in  Figure  4  together  with  an  aggregate  modeled  load curve. 

  Figure 4. Example of an aggregate load curve for TV deterministically modeled from the  TUD in the SCB 1996 data set. In the activity graph to the left all individuals in the data  set are sorted by decreasing age from left to right.    For application in building performance simulations, a complete deterministic load  model  that  converts TUD  from  SCB  1996  was  developed  that  encompasses  occupancy,  electricity use and hot water use and models thermal loads from all of these end‐uses.  To be applicable to simulations of a specific building with seven rooms, each activity and  its  associated  equipment  were  connected  to  one  room.  Each  room  thus  receives  a  thermal load that depends on the occupancy and appliances and other equipment used  during each person’s presence. The actual conversion functions and other assumptions  are  summarized  in  Appendix  A.  As  the  conversion  is  done  deterministically  from  empirical TUD, the implementation for the SCB 1996 dataset results in daily profiles for  179 households on one weekend day and one weekday. An example of the output that  11   

can be generated with the model is shown in Figure 5 for a 6‐person household. When  analyzing the generated load patterns or using them in simulations it is possible to sort  out  households  with  interesting  patterns  and,  for  example,  include  various  extreme  behaviors in the same building model to test performance limits. Section 4.1 contains a  further description of how the model can be applied to building simulations. 

Figure 5. Example of outputs from the total deterministic thermal load model on a  weekday for a 6­person household from the SCB 1996 data set. Note that the scale of the  individual graphs differ to show the dynamics of each pattern.    3.2.3 Stochastic approach  From the previous section the advantages of modeling from empirical data are evident.  However, in many applications longer data series are needed, as well as the possibility  to  generate  data  for  an  arbitrary  number  of  households  with  an  arbitrary  number  of  members. It is also convenient if it is possible in some way to condense the total amount  of  data  needed  for  the  modeling  (a  whole  TUD  set  in  the  deterministic  case).  In  the  12   

stochastic  approach,  the  drawbacks  of  the  deterministic  approach  are  avoided  by  definition  of  a  Markov  chain  process  that  generates  synthetic  sequences  of  selected  activities with parameters determined from the original TUD set. The selected activities  are modeled as a finite number of states in a Markov chain with transition probabilities  pij(k)  for  switching  between  states  i  and  j  from  time  step  k  to  k  +  1.  The  probabilities  change  with  time  to  reflect  daily  changes  in  activity  patterns,  i.e.  the  Markov  chain  is  non­homogeneous.  These  transition  probabilities  are  estimated  from  empirical  TUD  as  the  number  of  transitions  nij(k)  between  states  i  and  j,  divided  by  the  total  number  of  transitions ni(k) from state i:     

 

 

 

 

 

(8) 

In  previous  studies,  it  was  found  that  hourly  averaged  transition  probabilities  are  sufficient  for  maintaining  a  sufficient  accuracy  of  the  model  (Widén  and  Wäckelgård  2010). This considerably decreases the total amount of data to have access to in order to  perform  a  simulation.  For  example,  for  a  database  with  N  individuals,  a  5‐minute  resolution and two recorded days per person, the total number of data points is 288 × N  ×  2.  Condensing  this  data  set  into  transition  probabilities  with  n  activities  and  hourly  averages, the total number of data points is 24 × n2 × 2.  A  synthetic  activity  sequence  is  generated  from  the  transition  probabilities  by  randomly  sampling  a  transition  from  these  probabilities  in  each  time  step.  Note  that  although  transition  probabilities  are  hourly  averaged  the  synthetic  sequences  may  be  generated  on  shorter  time  intervals,  e.g.  minutes.  In  this  case  the  same  transition  probabilities are used during each hour. As found in Widén and Wäckelgård (2010) the  resulting  activity  sequences  are  similar  to  the  real  ones.  The  conversion  model  for  generating  occupancy  and  end‐use  profiles  can  then  be  applied  to  this  synthetic  sequence in the same way as to empirical TUD. It is possible to determine, in each time  step,  the  aggregate  behavior  of  the  stochastic  process.  With  transition  probabilities  ordered in a transition matrix   

 

 

 

 

 

(9) 

the theoretical distribution of persons in the respective state is:  , , 1         (10)  The fundamentals of the stochastic approach are treated in more detail in Widén et al.  (2009b) and Widén and Wäckelgård (2010).   Although estimated from real data, the transition probabilities can, in principle, be  altered  to  reflect  changes  in  activity  patterns.  In  the  proposed  load  management  approach  the  probabilities  for  transition  to  certain  activities  in  a  given  time  step  are  increased  on  dispense  of  other  transition  probabilities.  It  is  assumed  that  one  set  of  activities is shifted down while another is shifted up, for example activities that involve  electricity  use  and  activities  that  do  not.  In  the  following  we  consider  the  transitions  from  an  arbitrary  state  i.  Assume  that  indices  j  denote  states  for  which  the  transition  probabilities  are  shifted  up  and  k  denote  states  for  which  they  are  shifted  down.  The  probability for switching to any state within the two set of up‐shifted states is:   ∑   (11)  We  now  assume  that  α  is  the  fraction  of  persons  that  switch  to  states  j  instead  of  k,  assumed  equal  for  all  k,  i.e.  a  uniform  fraction  of  the  people  not  switching  to  the  up‐ shifted  activities  change  to  doing  this  in  every  time  step.  Then  the  new  down‐shifted  probabilities are:  ̂ 1         (12)  13   

and the increased probability for switching to states j that is to be distributed on the up‐ . This probability could be distributed in various ways on the  shifted transitions is  up‐shifted transitions, but in general the up‐shifted probabilities are:  ̂ 1 ,   ∑ 1  (13)  where  the  coefficients    distribute  the  down‐shifted  probability  on  the  transitions  in  question.  As  this  bottom‐up  approach  affects  the  transition  probabilities  in  a  certain  time step independently of the other time steps, i.e. without any “memory”, it does not  give any guarantees about the resulting shape of the activity frequency pattern over the  day  or  the  total  time  spent  in  certain  states.  In  this  respect,  it  can  be  used  as  a  peak  clipping or a valley filling strategy, where the demand is lowered or increased in certain  time intervals, but not as a load shifting strategy, where exact volumes of load are moved  between different times of the day. However, as will be shown in Section 4.2, it can work  approximately in this way.       

14   

4. Examples of applications    4.1 Indoor climate simulations  As mentioned in the introduction, thermal loads occurring in low‐energy buildings such  as  passive  houses  tend  to  play  a  crucial  part  for  the  energy  use  and  for  the  design  of  installed heating power. In (Wall 2006), it is reported that required space heating power  is  more  than  doubled  in  the  Lindås  passive  houses  in  Sweden  when  occupancy  is  changed  from  four  to  no  persons,  while  the  energy  demand  increases  by  only  30%.  Passive  houses  are  limited  in  the  amount  of  installed  space  heating  power,  making  thermal  loads  an  important  heating  source  in  cold  climatic  conditions.  Using  detailed  load  profiles  from  TUD  provides  information  about  the  time  and  place  of  the  thermal  loads  and  can  be  used  in  a  building  energy  simulation  (BES)  to  provide  more  detailed  dynamics of indoor temperatures. In combination with measurements and CFD one can  get the whole picture of the physical parameters related to thermal comfort according to  ISO7730;  air  temperature,  humidity,  air  velocity,  radiant  surface  temperatures,  human  activity and clothing (ISO 2005).    When designing low‐energy houses it is important to consider thermal comfort to  avoid  rebound  effects,  such  as  increased  indoor  temperature  preference,  which  is  described  in  (Greening  et  al.  2000).  However,  the  rebound  effect  for  building  energy  efficiency  measures,  such  as  low‐energy  buildings,  is  suggested  to  be  valid  only  until  comfort  needs  are  fulfilled  (Greening  et  al.  2000).  Using  thermal  comfort  as  a  requirement in energy calculations could lead to a more realistic picture of the potential  gain in energy efficiency measures. One should also note that thermal comfort issues are  individual  and  that  ISO7730  presents  a  general  way  of  finding  the  percentage  of  dissatisfied people (PPD) for a large population.  One issue that may cause thermal discomfort in Passive houses is the limitation of  installed heating power, which in southern Sweden is limited to 12 W/m2 (FEBY 2009).  An example is presented here, with the purpose to show the effect on thermal comfort  that such a limitation might have. A newly built (2008) residential terraced two storey  apartment  with  a  floor  area  of  105  m2  in  Linköping  is  used  as  case  study  object,  also  previously  studied  in  (Karresand  et  al.  2009).  This  building  is  modeled  in  the  BES  software IDA ICE 4 and is shown schematically in Figure 6. It is equipped with Constant  Air Volume (CAV) ventilation with heat recycling (HRX) and heating coil. In the IDA ICE  model,  the  heating  coil  is  regulated  with  thermostatic  control  on  the  exhaust  air  temperature. 

15   

  Figure 6. Sketch of the passive house model used in the example BES.    In this example, the deterministic thermal load model presented in Section 3.2.2 is  used  in  BES,  where  a  winter  case  is  studied.  The  daily  distribution  of  thermal  loads,  heating, air flows, transmission losses, average indoor air temperature and outdoor air  temperature for a 6‐person household in the kitchen/living‐room can be seen in Figure  7,  with  a  5‐min  resolution.  Temperature  variations  correspond  to  changes  in  thermal  loads. The peaks coming from air flows correspond to opening of the laundry room door,  which is assumed to be opened only when there is laundry activity in the laundry room.  When the cooking activity is taking place the kitchen fan is also activated, which explains  why the losses from air flows increase at this time. Transmission losses increase in the  evening when the kitchen/living room is warmer than neighboring zones. Heating is at  most  times  at  maximum  12  W/m2,  and  decreases  only  at  times  when  the  average  exhaust  air  temperatures  from  all  zones  is  lower  than  set‐point,  which  explains  why  heating does not decrease during the evening high‐load time in the kitchen/living room. 

16   

  Figure 7. Energy balance of the kitchen/living room zone in the passive house model with  thermal loads deterministically modeled from TUD for a 6­person household and a 12  W/m2 heating coil.    When  studying  installed  heating power  versus  the  effect  on thermal  comfort one  low and one high thermal‐load household are chosen; a 2‐person household with minor  thermal  loads  and  a  6‐person  household  with  substantial  thermal  loads.  The  PPD  prediction  is  calculated  from  the  predicted  mean  vote  (PMV),  derived  from  simulated  average  air  temperature  in  the  kitchen/living  room,  during  occupancy  hours  06:00‐ 23:00,  on  the  coldest  day  of  the  week  (‐15  to  ‐20  °C).  Moreover,  the  mean  radiant  temperature  is  assumed  to  be  constantly  0.5  °C  lower  than  average  air  temperature  which was measured in one point with Innova 3710‐equipment on a cold day (‐10 to ‐15  °C).  Furthermore,  mean  air  velocity  is  assumed  to  be  constantly  0.05  m/s,  which  was  measured from this single point only when induced by researcher presence. Henceforth,  humidity  is  measured  to  be  18‐25  %,  however  without  household  tenants’  presence,  wherefore  an  addition  of  3  g/m3  moisture  as  an  assumed  continuous  moisture  production  is  added,  which  results  in  roughly  30’%,  which  is  used.  Additionally,  an  activity  level  of  1.2  met  (70  W/m2)  and  a  clothing  level  of  0.9  clo  (0.14  m2  K/W)  was  assumed, corresponding to sedentary activity and indoor winter clothing.  

17   

  Figure 8. Temperature, PPD and space heating demand for different installed heating  powers in the 6­person and 2­person households. The space heating demand is shown  as a percentage of 260 kWh, the maximum space heating demand in the 2­person  household.    Figure 8 shows the temperature, PPD and space heating demand as a function of  installed heating power, where the space heating demand for high and low thermal load  was  maximum  141  and  260  kWh  during  the  winter‐case  week  and  the  percentage  is  described  in  relation  to  260  kWh.  One  can  clearly  see  that  the  space  heating  demand  increases with installed power only until good thermal comfort is reached (PPD roughly  5‐10% and PMV ‐0.5‐0.5). When using the limitation recommended by FEBY, 12 W/m2  the overall thermal comfort is reduced substantially, especially when a low thermal load  household  is  present,  PPD  ~50%.  The  risk  when  having  a  limited  peak  power  in  the  heating  system  is  that  other  sources  such  as  household  equipment  will  be  used  more  than what they would normally be used just to heat the building. This may, if the heating  system uses low exergy sources, result in a higher primary energy use since much of our  household equipment is powered by electricity (Isaksson and Karlsson 2006).  This  example  shows  an  approach  where  TUD  can  be  used  to  introduce  high‐ resolution thermal loads in detailed calculations of needed heating power. Depending on  the  thermal  loads  the  needed  installed  power  during  occupancy  in  this  example  is  15  and 18 W/m2 in order to maintain PPD below 10%, which is suggested by the ISO7730‐ standard,  category  B.  However,  a  more  detailed  study  regarding  local  thermal  comfort  should be performed using CFD, measurements and questionnaires/interviews.    4.2 Load management  Demand side management, or DSM, is a method to alter the use of energy at the end‐user  site to fulfill certain goals (Beggs 2002, Abaravicius 2007). In the more specific concept  of  load  management  the  aim  is  to  lower  the  demand  during  on‐peak  periods  and  increase it on off‐peak periods in order to reduce the load on the distribution grid and  reduce the need for regulating power. One way for a utility to achieve this kind of load‐ shifting  measure  at  the  end‐user  site  is  to  introduce  price  incentives.  A  time‐ differentiated tariff with different buying prices for electricity at low‐load and high‐load  periods is one solution that is considered here.  With the method presented in Section 3.2.3, a bottom‐up type stochastic model for  18   

customer  response  to  a  time‐differentiated  tariff  can  be  defined.  The  response  to  the  price signals is then modeled by up‐shifting the probabilities for switching to electricity‐ dependent  activities  during  low‐load  pricing  while  down‐shifting  the  probabilities  for  switching to other activities, and vice versa during high‐load periods. It is important to  note that as it is the probabilities that change, the response of an individual to the price  incentives is not ideal, but the chance of an action in a certain direction taking place is  increased or decreased, which ensures a realistic behavior of the model.  In this brief example, the load management method is applied to a two‐level time‐ differentiated tariff. No exact price levels are assumed, but during the high‐load period  07:00‐21:00 (period a) the price is higher and during the low‐load period 21:00‐07:00  the price is lower. It is assumed, as in Section 3.2.3, that in each of the two periods a set  of transition probabilities are down‐shifted by a constant factor α (see Equation 12). To  reflect  load  shifting,  i.e.  that  if  electricity  use  is  decreased  during  the  high‐load  period  these  activities  should  be  performed  during  night‐time  with  roughly  the  same  proportion, the shifted probability is distributed on the up‐shifted transitions as:    ̂ 1   (14)  where    is  the  original  fraction  of  people  involved  in  the  up‐shifted  activities  j  on  average  during  the  other  time  period,  calculated  from  the  asymptotic  distribution  of  ∑ .  activities (Equation 10), and  These  calculations  were  applied  to  the  stochastic  Markov‐chain  model  with  nine  activity  states  described  in  Widén  and  Wäckelgård  (2010).  As  electricity‐dependent  activities  that  are  down‐shifted  during  the  high‐load  period  and  up‐shifted  during  the  low‐load  period  the  states  3‐8  (cooking,  dishwashing,  washing,  TV,  computer,  and  audio)  were  chosen.  As  complementary  activities  that  are  up‐shifted  during  the  high‐ load period and down‐shifted during the low‐load period the states 2 (sleeping) and 9  (other) were chosen. The parameter α was set to 0.01 which means that in every time  step 1 % of the persons switching to an down‐shifted activity instead switch to an up‐ shifted activity. Although the α parameter is not explicitly related to an exact price level,  this could be implemented. The transition matrix for weekdays for detached houses was  transformed with Equations 12 and 14 and simulations were performed for one day as  described in Widén and Wäckelgård (2010). 

19   

  Figure 9. Aggregate household electricity load curves before and after DSM for 10 and 200  households in the studied example. Time resolution is 1 min.    The  results  of  simulations  with  a  1‐min  resolution  are  shown  in  Figure  9.  The  stochastic  nature  of  the  generated  patterns  is  evident  and  is  realistic.  There  is  more  randomness  in  the  aggregate  load  curves  for  the  set  of  10  households.  Although  it  is  possible  to  see  some  effect  of  the  load  management  scheme  in  this  small  set  of  household  loads,  the  changed  pattern  emerges  more  clearly  when  a  larger  number  of  households  is  considered.  For  200  households,  the  raised  demand  on  nights  and  mornings  and  the  lowered  daytime  demand,  especially  in  the  evening  peak  hours,  are  more evident. Note also that the originally flat demand between 00:00 and 05:00 is now  somewhat  higher  and more  variable,  due  to  more  people  being awake  and  active.  It is  clear  that  the  described  approach  gives  a  realistic  and  diverse  demand  response.  By  choosing  different  activities  for  down‐shifting  and  up‐shifting  and  by  changing  the  α  parameter, other patterns and effects can be introduced. If necessary, it is also possible  to assign different α values to different activities. The signals to which the response is  given could also be changed. In the next section a reversed DSM scheme is tested, that  potentially increases matching with on‐site photovoltaic generation.     4.3 Load matching in NZEBs  A Net Zero Energy Building is a building that has a zero annual balance between on‐site  generation and demand. In this example a solar NZEB located in Stockholm, Sweden, is  considered. The building is for one family and has on‐site photovoltaic (PV) generation  that  equals  the  household  electricity  demand  on  an  annual  basis.  NZEBs  are  generally  not  supposed  to  be  self‐sufficient  in  terms  of  energy,  but  rather  interacting  with  distribution  systems  to  maintain  the  annual  balance.  In  this  example  the  building  is  connected  to  the  electricity  distribution  grid,  so  that  when  on‐site  generation  is  not  sufficient  the  building  imports  power  from  the  distribution  grid  and  when  the  on‐site  20   

generation exceeds the local demand it exports the surplus. Although the net difference  between demand and generation is zero over the year the actual exchange, or mismatch,  with  the  grid  can  be  substantial  (Voss  et  al.  2010),  especially  at  high  latitudes  where  there is a considerable seasonal asymmetry in solar availability (Perers 1999). Massive  introduction  of  NZEBs  in  distribution  grids  would,  because  of  this  mismatch,  have  a  clear  impact  on  the  voltage  levels  in  existing  distribution  grids  (Widén  et  al.  2010).  Figure 10 shows matching on a 1‐min time scale during three summer days for a NZEB  generation  and  demand  setup.  On  the  first  two  cloudy  days  the  highly  fluctuating  generation  pattern  is  approximately  of  the  same  magnitude  and  randomly  coincides  with the load, but on the third and sunny day there is a massive overproduction that is  fed into the grid.   

  Figure 10. Examples of PV generation and household electricity load for the NZEB in the  example during three consecutive days. Time resolution is 1 min.    The load matching capability of PV, and options to increase this, has been studied  previously with aggregate load curves generated with the deterministic model in Widén  et al. 2009c). It was found that storage was theoretically the most flexible and efficient  solution but that also load management could have a considerable impact. However, as  is also fundamental to the concept of NZEBs, storage and in particular seasonal storage  is  currently  not  a  feasible  option  for  many  reasons  (Voss  et  al.  2010).  There  is  thus  a  need to further examine DSM as a way to decrease the mismatch.    In  this  example  the  base  case  azimuth  angle  of  the  PV  system  is  0°  and  the  tilt  angle  is  45°,  the  setup  which  maximizes  annual  production.  The  studied  alternative  cases with options for increased load matching are:  a) Load  management,  modeled  with  the  same  approach  as  in  the  previous  section,  but  with  electricity‐dependent  activities  shifted  up  during  daytime  (08:00‐16:00) and down during night‐time (16:00‐08:00) to match the hours  with solar energy availability. The α parameter was set to 0.05.  b) PV  array  re‐orientation  from  the  optimum  for  annual  production.  Azimuth  and tilt angles of 90° were chosen, which maximizes the afternoon insolation  and thus shifts the average production curve towards the evening hours.  The  simulations  with  and  without  load  management  were  done  for  a  detached  house  over eight years, with the same procedure as outlined in Widén and Wäckelgård (2010).  21   

The resulting data series were then subject to hourly averaging to match the resolution  of  an  available  eight‐year  (1992‐1999)  set  of  hourly  modeled  PV  data  for  Stockholm,  based on measured irradiance data from the Swedish Meteorological and Hydrological  Institute (SMHI). These PV data were modeled and analyzed in a previous study (Widén  2010).   

  Figure 11. Load matching results for the simulated NZEB. Annually averaged PV  generation and load curves with the different options are shown to the left. To the right the  solar fraction is shown for combinations of options. 1: No DSM + 0°/45° orientation, 2: No  DSM + 90°/90° orientation, 3: DSM + 0°/45° orientation, 4: DSM + 90°/90° orientation.    Figure  11  shows  the  resulting  load  matching  capability  of  PV  in  these  cases.  To  the right the solar fraction, which is the percentage of load covered by PV (on an hourly  basis),  is  shown  for  the  different  combinations  of  options.  The  conclusion  is  that  combining both load management and optimizing the PV array orientation can increase  the solar fraction from 30 % to a bit above 35 %. This estimate, taking into account the  stochastic  nature  of  the  load  in  a  more  realistic  way  and  using  a  more  realistic  load  management method, thus yields a lower range of impacts than the previous study (35‐ 48 %).  This example shows in a number of ways the advantages of stochastic modeling  as an alternative to using measured load data in this type of analysis. Firstly, the ability  to generate data over an arbitrarily long period of time (eight years in this example) and,  secondly, the realistic load management method. A major advantage is the separation of  the  behavioral  factor  from  the  electrical  equipment.  With  the  same  activity  patterns,  represented  by  the  Markov  chain  transition  probabilities,  it  is  possible  to  simulate  different  sets  of  household  appliances,  and  conversely,  it  is  possible,  e.g.  via  the  load  management method, to introduce different use patterns of the same equipment.        

22   

5. Concluding discussion  A main conclusion from the model description and the application examples is that the  presented  models  are  capable  of  generating  very  detailed  and  diverse  patterns  of  occupancy, activities and various end‐uses. On the one hand, with a sufficiently detailed  TUD set, this provides a virtually unlimited degree of detail in the generated patterns. It  is  possible  to  introduce  diversity  between  households  and  to  maintain  correlations  between  different  patterns and  end‐uses  as all  are  modeled  from  the  same  underlying  TUD.  Compared  to  measurements  of  all  data  that  can  be  generated  –  occupancy,  electricity use, hot water use, thermal loads – the model provides a less costly and less  complicated method, provided appropriate TUD are available.  On  the  other  hand,  this  also  raises  the  question  of  which  degree  of  detail  is  necessary  for  different  applications.  Model  complexity,  possible  simplifications,  computation  times  and  time  resolution  should  all  be  considered  in  more  extensive  studies  than  the  three  examples  covered  here.  Especially  for  the  stochastic  model  the  differences  in  computation  time  can  be  substantial  depending  on  the  number  of  modeled activities and the time resolution.  An  important  question  for  the  future  is  the  possible  improvement  of  methodologies for surveying TUD. To utilize the full potential  of the models presented  here the TUD set has to be representative of the studied population and unbiased and  the  activities  have  to  be  recorded  with  a  sufficiently  high  degree  of  detail  and  categorized  in  a  logical  and  generalized  activity  code  scheme.  One  possible  way  of  improving  diary  data  reporting  is  to  collect  TUD  digitally,  for  example  via  handheld  devices, where categorizations could be made directly either manually or automatically.  With up‐to‐date and generalizable TUD sets the presented methodology could be used,  e.g., to give recommendations about installed heating power in passive houses.      

Acknowledgements 

This work was carried out under the auspices of the Energy Systems Programme, which  is primarily financed by the Swedish Energy Agency. Patrik Rohdin, Division of Energy  Systems, Department of Management and Engineering, Linköping University, Sweden, is  acknowledged for valuable comments to the manuscript.   

References 

Abaravicius, J., 2007. Demand side activities for electric load reduction. Thesis (PhD).  Lund University, Sweden.  Armstrong, M.M., Swinton, M.C., Ribberink, H., Beausoleil‐Morrison, I. and Milette, J.,  2009. Synthetically derived profiles for representing occupant‐driven electric loads in  Canadian housing. Journal of Building Performance Simulation, 2 (1), 15‐30.   Aune, M., 1998. Nøktern eller nytende. Energiforbruk og hverdagsliv i Norske  husholdninger. Thesis (PhD). Norwegian University of Science and Technology,  Trondheim.  Aune, M., 2007. Energy comes home. Energy Policy, 35 (11), 5457‐5465.  Beggs, C., 2002. Energy: Management, supply and conservation. Oxford: Butterworth‐ Heinemann. 

23   

Benders, R.M.J., Kok, R., Moll, H.C., Wiersma, G. and Noorman, K.J., 2006. New approaches  for household energy conservation – in search of a personal household energy budgets  and energy reduction options. Energy Policy, 34 (18), 3612‐3622.  Capasso, A., Grattieri, W., Lamedica, R. and Prudenzi, A., 1994. A bottom‐up approach to  residential load modeling. IEEE Transactions on Power Systems, 9 (2), 957‐964.  Carlsson‐Kanyama, A. and Lindén, A.L., 2002. Hushållens energianvändning: värderingar,  beteended, livsstilar och teknik. En litteraturöversikt. Fms‐report 2002:176. Stockholm  University, Sweden.  Conti, S. and Raiti, S., 2007. Probabilistic load flow using Monte Carlo techniques for  distribution networks with photovoltaic generators. Solar Energy, 81 (12), 1473‐1481.  Ellegård, K., 1999. A time‐geographic approach to the study of everyday life of  individuals – a challenge of complexity. GeoJournal, 48 (3), 167‐175.  Ellegård, K. and Cooper, M., 2004. Complexity in daily life – a 3D‐visualization showing  activity patterns in their contexts. Electronic International Journal of Time Use Research,  1, 37‐59.  Ellegård, K. and Vrotsou, K., 2006. Capturing patterns of everyday life – presentation of  the visualization method VISUAL‐TimePAcTS. In: IATUR – XXVIII annual conference, 16‐ 18 August 2006, Copenhagen, Denmark.  FEBY, 2009. Kravspecifikation för passivhus. Swedish Environmental Research Institute  Report A1592.  Greening, L.A., Greene, D.L. and Difligio, C., 2000. Energy efficiency and consumption –  the rebound effect – a survey. Energy Policy, 28 (6‐7), 389‐401.  Haldi, F. and Robinson, D., 2010. Adaptive actions on shading devices in response to  local visual stimuli. Journal of Building Performance Simulation, 3 (2), 135‐153.  Hägerstrand, T., 1970. Tidsanvändning och omgivningsstruktur. In: Swedish Government  Official Report (SOU) 1970:14, Appendix 4, 1‐146.  Hägerstrand, T., 1985. Time‐geography: focus on the corporeality of man, society, and  environment. In: The science and praxis of complexity. The United Nations University,  193‐216.   Isaksson, C. and Karlsson, F., 2006. Indoor climate in low‐energy houses – an  interdisciplinary investigation. Building and Environment, 41 (12), 1678‐1690.  ISO, 2005. ISO 7730:2005: Ergonomics of the thermal environment – Analytical  determination and interpretation of thermal comfort using calculation of the PMV and  PPD indices and local thermal comfort criteria. 3d Edition, 2005‐11‐15, ISO Copyright  Office, Geneva.  Jordan, U. and Vajen, K., 2001. Influence of the DHW load profile on the fractional energy  savings: a case study of a solar combi‐system with TRNSYS simulations. Solar Energy, 69,  197‐208. 

24   

Karresand, H., Molin, A., Persson, J. and Åberg, M., 2009. How passive are your activities?  An interdisciplinary comparative energy analysis of passive and conventional houses in  Linköping, ranging from household activities and actors reasoning to indoor environment  and local energy system. Working Paper 42, The Energy Systems Programme, Linköping  University, Sweden.  Karlsson, K. and Widén, J., 2008. Hushållens elanvändningsmönster identifierade i  vardagens aktiviteter. Tema T Working Paper 330. Linköping University, Sweden.  Karlsson, K., Olaison, A. and Skill, K., 2010. Mapping and characterizing Nordic everyday  life research. Tema T Working Paper 343. Linköping University, Sweden.  Lenntorp, B., 1976. Paths in space­time environments: a time­geographic study of  movement possibilities of individuals. Lund studies in geography, Ser. B, Human  geography 44.   Lindén, A.L., 2004. Miljömedvetna medborgare och grön politik. Formas: Stockholm,  Sweden.  Lundh, M., 2009. Domestic heating with solar thermal: studies of technology in a social  context and social components in technical studies. Thesis (PhD). Uppsala University,  Sweden.  Lutzenhiser, L., 1993. Social and behavioral aspects of energy use. Annual Review of  Energy and the Environment, 18, 247‐289.  Paatero, J.V. and Lundh, P.D., 2006. A model for generating household electricity load  profiles. International Journal of Energy Research, 30 (5), 273‐290.  Page, J., Robinson, D., Morel, N. and Scartezzini, J.‐L., 2008. A generalised stochastic  model for the simulation of occupant presence. Energy and Buildings, 40 (2), 83‐98.   Palm, J., 2009. Finding local opportunities for energy efficiency in households. In: 1st  European conference on energy efficiency and behaviour, 18‐20 October 2009,  Maastricht, The Netherlands.  Perers, B., 1999. The solar resource in cold climates. In: M. Ross and J. Royer, eds.  Photovoltaics in cold climates. London: James & James Ltd., 20‐29.  Reinhart, C.F., 2004. Lightswitch‐2002: a model for manual and automated control of  electric lighting and blinds. Solar Energy, 77 (1), 15‐28.  Richardson, I., Thomson, M. and Infield, D., 2008. A high‐resolution domestic building  occupancy model for energy demand simulations. Energy and Buildings, 40 (8), 1560‐ 1566.  Richardson, I., Thomson, M., Infield, D. and Delahunty, A., 2009a. Domestic lighting: A  high‐resolution energy demand model. Energy and Buildings, 41 (7), 781‐789.  Richardson, I., Thomson, M., Infield, D. and Delahunty, A., 2009b. A modelling framework  for the study of highly distributed power systems and demand side management. In: 1st  International Conference on Sustainable Power Generation and Supply, SUPERGEN ’09, 6‐7  April 2009, Nanjing, China.  25   

Shove, E., 1998. Gaps, barriers and conceptual chasms: theories of technology transfer  and energy in buildings. Energy Policy, 26 (15), 1105‐1112.  Shove, E., 2003. Comfort, cleaneliness and convenience. Berg: Oxford, UK.  Spur, R., Fiala, D., Nevrala, D. and Probert, D., 2006. Influence of the domestic hot‐water  daily draw‐off profile on the performance of a hot‐water store. Applied Energy, 83 (7),  749‐773.    Stokes, M., Rylatt, M. and Lomas, K., 2004. A simple model of domestic lighting demand.  Energy and Buildings, 36 (2), 103‐116.  Stokes, M., 2005. Removing barriers to embedded generation: a fine­grained load model to  support low voltage network performance analysis. Thesis (PhD). De Montfort University,  Leicester, UK.  Tanimoto, J., Hagishima, A. and Sagara, H., 2008a. Validation of probabilistic  methodology for generating actual inhabitants’ behavior schedules for accurate  prediction of maximum energy requirements. Energy and Buildings, 40 (3), 316‐322.  Tanimoto, J., Hagishima, A. and Sagara, H., 2008b. A methodology for peak energy  requirement considering actual variation of occupants’ behavior schedules. Building and  Environment, 43 (4), 610‐619.  Thomson, M. and Infield, D.G., 2007. Impact of widespread photovoltaics on distribution  systems. IET Renewable Power Generation, 1 (1), 33‐40.   Voss, K., Sartori, I., Napolitano, A., Geier, S., Gonzalves, H., Hall, M., Heiselberg, P., Widén,  J., Candanedo, J.A., Musall, E., Karlsson, B. and Torcellini, P., 2010. Load matching and  grid interaction of net zero energy buildings. In: EuroSun 2010 – International  Conference on Solar Heating, Cooling and Buildings, 28 September – 1 October 2010 Graz,  Austria.   Vrotsou, K., Ellegård, K. and Cooper, M., 2009. Exploring time diariesusing semi‐ automated activity pattern extraction. Electronic International Journal of Time Use  Research, 6 (1).  Wall, M., 2006. Energy‐efficient terrace houses in Sweden: Simulations and  measurements. Energy and Buildings, 38 (6), 627‐634.  Widén, J., Lundh, M., Vassileva, I., Dahlquist, E., Ellegård, K. and Wäckelgård, E., 2009a.  Constructing load profiles for household electricity and hot water from time‐use data –  modelling approach and validation. Energy and Buildings, 41 (7), 753‐768.  Widén, J., Nilsson, A. and Wäckelgård, E., 2009b. A combined Markov‐chain and bottom‐ up approach to modelling of domestic lighting demand. Energy and Buildings, 41 (10),  1001‐1012.  Widén, J., Wäckelgård, E. and Lund, P., 2009c. Options for improving the load matching  capability of distributed photovoltaics: Methodology and application to high‐latitude  data. Solar Energy, 83 (11), 1953‐1966. 

26   

Widén, J. and Karlsson, K., 2009. The influence of Swedish households’ everyday  activities and electricity‐use patterns on the utilization of small‐scale photovoltaic  systems. In: Proceedings of the eceee Summer Study 2009, 1‐6 June 2009 La Colle‐sur‐ Loup, France.  Widén, J., 2010. Correlations between large‐scale solar and wind power in a future  scenario for Sweden. Manuscript submitted to IEEE Transactions on Sustainable Energy.  Widén, J. and Karlsson, B., 2010. End‐user value of on‐site domestic photovoltaic  generation with different metering options in Sweden. In: EuroSun 2010 – International  Conference on Solar Heating, Cooling and Buildings, 28 September – 1 October 2010 Graz,  Austria.   Widén, J. and Wäckelgård, E., 2010. A high‐resolution stochastic model of domestic  activity patterns and electricity demand. Applied Energy, 87 (6), 1880‐1892.  Widén, J., Wäckelgård, E., Paatero, J. and Lund, P., 2010. Impacts of distributed  photovoltaics on network voltages: stochastic simulations of three Swedish low‐voltage  distribution grids. Electric Power Systems Research, In Press.   Yun, G.Y., Tuohy, P. and Steemers, K., 2009. Thermal performance of a naturally  ventialted building using a combined algorithm of probabilistic occupant behaviour and  deterministic heat and mass balance models. Energy and Buildings, 41 (5), 489‐499. 

27   

Appendix A  The  table  below  summarizes  the  parameters  that  define  the  deterministic  model  in  Section 3.2.2. This model was used for generating the thermal loads shown in Figure 5  and  the  input  data  to  the  building  simulation  example  in  Section  4.1.  Most  of  the  modeling  routines  are  based  Equations  4  and  6,  with  some  exceptions.  For  cold  appliances  and  additional  electricity  a  constant  load  is  applied.  For  the  end‐uses  modeled  with  Equation  6,  a  time  delay  Δt  was  introduced  in  the  final  series  to  reflect  delayed  heat  emission.  Parameter  values  were  either  obtained  from  measurements  on  the actual equipment in the modeled building or taken from the estimates in Widén et al.  (2009a) and Widén and Wäckelgård (2010).    Table A. Parameters in the deterministic thermal load model.  Activity/equipment 

Conversion  function  

Parameters* 

Room 

Human presence 

Equation 4 

P0 = 0 W, P1 = 100 W 

Depends on the  activity**  

Computer  Cooking  Cleaning  Ironing  Stereo  TV  Dishwashing  Washing  Drying  Cold appliances  Additional  electricity 

Equation 4  Equation 4  Equation 4  Equation 4  Equation 4  Equation 4  Equation 6  Equation 6  Equation 6  Constant 

P0 = 40 W, P1 = 100 W  P0 = 0 W, P1 = 1500 W  P0 = 0 W, P1 = 1000 W  P0 = 0 W, P1 = 1000 W  P0 = 6 W, P1 = 100 W  P0 = 20 W, P1 = 200 W  P0 = 0 W, P1 ,…,P32 = 216 W, Δt = 60 min  P0 = 0 W, P1 ,…,P26 = 138 W, Δt = 60 min  P0 = 0 W, P1 ,…,P24 = 980 W, Δt = 15 min  52 W 

Kitchen/livingroom  Kitchen/livingroom  Kitchen/livingroom  Kitchen/livingroom  Bedroom 3  Kitchen/livingroom  Kitchen/livingroom  Laundry room  Laundry room  Kitchen/livingroom 

Constant 

2 W/m2 

All rooms 

Lighting 

Equation 4 

P0 = 0 W, P1 = 40‐120 W depending on  the daylight level 

Kitchen/livingroom 

Lighting 

Equation 4 

P0 = 0 W, P1 = 40 W 

Bathing 

Equation 4 

P0 = 0 W, P1 = 500 W 

Laundry room,  bathroom, shower  room   Bathroom 

Showering  Equation 4  P0 = 0 W, P1 = 200 W  Shower room  * Subscripts 1,2,… denote 5‐min time steps.  ** For activities other than the ones specified in the table, a person is assumed to be in the  kitchen/livingroom if active and in one of the bedrooms 1‐3 if inactive (sleeping).  

 

28