Universitat Rovira i Virgili
Universitat Rovira i Virgili. Departament d'Enginyeria Mecànica
Aquesta tesi doctoral investiga l'impacte de les Comunitats d'Energia (ECs) i els Sistemes de Calefacció Distrital (DHS) en la reducció substancial d'emissions de gasos d'efecte hivernacle i en la promoció de pràctiques d'energia sostenible en àrees residencials. Davant un canvi global cap a fonts d'energia de baixa emissió de carboni per preocupacions ambientals creixents i demandes energètiques, aquesta investigació proposa solucions innovadores. Comença amb una revisió de literatura detallada utilitzant tècniques bibliomètriques i eines avançades d'anàlisi de dades en R, identificant tendències i desafiaments en la integració d'energia renovable. Introdueix un model d'optimització multiobjectiu per minimitzar els costos del cicle de vida i els impactes ambientals, maximitzant l'ús d'energia verda. Aquest model es complementa amb un marc de decisió multicriteri que facilita la selecció de solucions òptimes per a les comunitats energètiques. Addicionalment, integra aprenentatge automàtic amb avaluacions de cicle de vida per avançar en el disseny de sistemes energètics renovables, enfocant-se en l'optimització de sistemes fotovoltaics, turbines eòliques i emmagatzematge de bateries.
resum, proporciona eines per dissenyar i operar comunitats energètiques i sistemes de calefacció distrital, donant suport a les decisions cap als objectius de sostenibilitat de la UE. Esta tesis doctoral examina el impacto de las Comunidades de Energía (ECs) y los Sistemas de Calefacción Distrital (DHS) en la reducción significativa de emisiones de gases de efecto invernadero y la promoción de prácticas energéticas sostenibles en áreas residenciales. Ante un cambio global hacia fuentes de baja emisión de carbono por crecientes preocupaciones ambientales y demandas energéticas, esta investigación propone soluciones innovadoras. Inicia con una revisión de literatura detallada usando técnicas bibliométricas y herramientas avanzadas de análisis de datos en R, identificando tendencias y desafíos en la integración de energía renovable. Introduce un modelo de optimización multiobjetivo para minimizar costos de ciclo de vida e impactos ambientales, maximizando el uso de energía verde. Este modelo se complementa con un marco de decisión multicriterio que facilita la selección de soluciones óptimas para las comunidades energéticas. Adicionalmente, integra aprendizaje automático con evaluaciones de ciclo de vida para avanzar en el diseño de sistemas energéticos re
optimizados. En resumen, proporciona herramientas para diseñar y operar comunidades energéticas y sistemas de calefacción distrital, apoyando las decisiones hacia los objetivos de sostenibilidad de la UE. This PhD thesis investigates the pivotal roles of Energy Communities (ECs) and District Heating Systems (DHS) in significantly reducing greenhouse gas emissions and enhancing sustainable energy practices within residential areas. As the global energy landscape shifts towards low-carbon sources in response to growing environmental concerns and escalating energy demands, this research addresses urgent needs for innovative solutions. The research commences with an extensive literature review utilizing bibliometric techniques and science mapping, enabled by a sophisticated data analysis tool developed in the R programming language. This foundational phase discerns emerging trends and obstacles in the integration of renewable energy, providing a basis for subsequent inquiries. Following this, the thesis introduces a multi-objective optimization model designed to minimize life cycle costs and environmental impacts while maximizing the adoption of green energy. This model is enhanced by a multi-criteria decision-making framework employing the Weighted Sum Model (WSM), which facilitates stakeholders in overcoming traditional barriers by selecting optimal solutions for energy communities. Moreover, the study integrates machine learning with life cycle assessment (LCA) and life cycle cost (LCC) analyses to advance the design of renewable energy systems.
Programació matemàtica; Aprenentatge automàtic; ACV y ACCV; Programación matemática; Aprendizaje automático; Mathematical programming; Machine learning; LCA and LCCA
504 – Environmental sciences; 51 - Mathematics; 536 - Heat. Thermodynamics; 62 - Engineering
Enginyeria i arquitectura
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
