Kaukolämmöntarpeen mallintaminen Pohjois-Savon alueella
Kapulainen, Juha (2024)
Kandidaatintyö
2024
School of Energy Systems, Energiatekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024092574778
https://urn.fi/URN:NBN:fi-fe2024092574778
Tiivistelmä
Tässä kandidaatintyössä tutkitaan, voidaanko maantieteellisillä muuttujilla selittää kunnan vuosittaista kaukolämmöntarvetta. Tavoitteena on luoda malli, jolla voisi arvioida kaukolämmöntarvetta Suomen kunnissa. Mallin rakentamisen otoksena käytetään Pohjois-Savon aluetta.
Mallina työssä käytetään moniregressiomallia. Moniregressiomallissa on useampi muuttuja ja muuttujilla parametrit, jotka täytyy ensin ratkaista tilastojen pohjalta. Kaukolämmöntarvetta kuvaaviksi muuttujiksi malliin valittiin kuntien väkiluku ja taajama-aste. Parametrien ratkaisun jälkeen malli on käyttövalmis ja sillä voidaan selvittää kaukolämmöntarvetta.
Mallin antamien tulosten ja tilastojen välisen eron avulla voidaan selvittää mallin tarkkuutta. Pienin ero mallin ja tilastojen välillä oli 0,4 % eräässä kunnassa. Ero mallin ja oikean lämmöntarpeen välillä on parhaimmillaan matala. Suurimmassa osassa kuntia ei päästä kuitenkaan lähelle oikeaa kaukolämmöntarvetta. Mallilla pystytään tällaisenaan saavuttamaan suuntaa antavia tuloksia lämmöntarpeesta kunnassa. The aim of this bachelor’s thesis is to research if it is possible to explain municipalities’ district heating demand by geographical variables. The goal is to create a model that could be used to estimate municipalities’ district heating demand in Finland. Northern Savonia is the sample of Finland used for the model.
Multiple linear regression model is used in this research. Multiple linear regression model has multiple variables and parameters that need to be calculated first according to the sample statistics. Variables used for the model are population and degree of urbanisation. The model is ready for use after the parameters have been calculated.
To evaluate the accuracy of the model, we must calculate the difference between the model and the actual heat demand. The smallest difference between the model and statistics was 0,4 %. The difference between the model and the actual heat demand is at best very low. However, in most municipalities the model is not close to the actual heat demand. The model gives approximate estimates for the municipalities’ district heating demand in its current state.
Mallina työssä käytetään moniregressiomallia. Moniregressiomallissa on useampi muuttuja ja muuttujilla parametrit, jotka täytyy ensin ratkaista tilastojen pohjalta. Kaukolämmöntarvetta kuvaaviksi muuttujiksi malliin valittiin kuntien väkiluku ja taajama-aste. Parametrien ratkaisun jälkeen malli on käyttövalmis ja sillä voidaan selvittää kaukolämmöntarvetta.
Mallin antamien tulosten ja tilastojen välisen eron avulla voidaan selvittää mallin tarkkuutta. Pienin ero mallin ja tilastojen välillä oli 0,4 % eräässä kunnassa. Ero mallin ja oikean lämmöntarpeen välillä on parhaimmillaan matala. Suurimmassa osassa kuntia ei päästä kuitenkaan lähelle oikeaa kaukolämmöntarvetta. Mallilla pystytään tällaisenaan saavuttamaan suuntaa antavia tuloksia lämmöntarpeesta kunnassa.
Multiple linear regression model is used in this research. Multiple linear regression model has multiple variables and parameters that need to be calculated first according to the sample statistics. Variables used for the model are population and degree of urbanisation. The model is ready for use after the parameters have been calculated.
To evaluate the accuracy of the model, we must calculate the difference between the model and the actual heat demand. The smallest difference between the model and statistics was 0,4 %. The difference between the model and the actual heat demand is at best very low. However, in most municipalities the model is not close to the actual heat demand. The model gives approximate estimates for the municipalities’ district heating demand in its current state.