Kaukolämpöverkon kuorman ennustus ja käytön optimointi

Abstract

Lämpöverkon hetkelliseen lämpötehotarpeeseen ja tätä kautta lämpövoimalaitoksen hetkelliseen tehontuottotarpeeseen on kehitetty useita eri ennustemalleja. Tilastolliseen laskentaa, aikasarjamallinnukseen, ja koneoppimiseen perustuvat ennustemallit ovat osa viime vuosikymmenen aikana kokeilluista malleista, joilla on pyritty ennustamaan lämpötehotarvetta.

Opinnäytetyössä luotiin kaksi ennustemallia: tilastollinen regressiomalli ja neuroverkkomalli, joiden tarkoituksena oli oppia, miten eri sääparametrien perusteella voidaan määrittää hetkellinen lämpötehotarve lämpövoimalaitokselle. Tämän lisäksi tarkasteltiin käytettyjen sääparametrien ennustetarkkuutta, ja verrattiin parametrien ennustevirheen vaikutusta regressiomallin ennustevirheeseen. Ennustemallin tueksi luotiin kaksi algoritmia: hetkellinen tuntivirhe, joka pyrkii mallintamaan tuntikohtaista kulutusprofiilia, ja verkon lämpöhäviö algoritmi, joka pyrkii määrittämään hetkellisen lisätehotarpeen verkolle.

Saatujen tulosten perusteella parhaan tarkkuuden sai malli, jossa oltiin keskiarvoistettu regressio- ja neuroverkkomallin ennustearvoja. Mallin tarkkuus oli samaa luokkaa muussa kirjallisuudessa raportoitujen ennustemallien kanssa. Tosin täysin vastaavanlaista ennustetilannetta ei löydetty muusta kirjallisuudesta, joten mallien vertailu osoittautui hankalaksi.

Many different forecast models have been developed to forecast heat load in the district heating networks. Forecast models based on statistical modeling, time series modeling, and machine learning are part of the models tested over the last decade to predict heat load demand.

Two forecast models were created in this thesis: a statistical regression model and a neural network model. Models purpose was to learn the heat load demand when it was given many different weather parameters. In addition, the forecast accuracy of given weather parameters and its effect to the regression model forecast error was examined. To support the heat demand forecast two algorithms were created: hourly error algorithm, which tries to model networks hourly consumption profile, and network heat loss algorithm, which calculates how much the heat loss is at any given time.

Based on the results obtained. The best accuracy was obtained by taking an average from both model’s forecasts. Forecast accuracy was in the same range as other forecast models reported in this thesis. Admittedly, a completely similar forecast situation was not found in the other re-ports, so a comparison of models proved to be difficult.