Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla

Translated title of the contribution: Estimating the state of district heating network by neural network method

Magnus Wistbacka, Kari Sipilä

    Research output: Book/ReportReport

    Abstract

    Tutkimuksessa käytettiin neuroverkkolaskentaa kaukolämpöverkon tilan estimoinnissa. Tilastopohjaisen mallin edut verrattuna kaukolämpöverkon fysikaaliseen malliin olisivat sen yksinkertaisempi ylläpito ja helpompi käyttö verkon ajotilanteiden estimoinnissa. Raportissa tutkittiin Vantaan Energia Oy:n kaukolämpöverkon tilan estimointia Helsinki-Vantaan lento-kentällä, Länsimäessä ja Mesikukantiellä Tikkurilassa. Estimoitavia suureita em. paikoissa ovat meno-paluulämpötila, absoluuttinen paine, paine-ero ja virtaus. Mallit kehitettiin 10 minuutin ja tunnin keskiarvomittauksiin perustuen. Lentokentän tapauksessa haettiin tarkkailupisteen selittäjille paras kombinaatio eri viiveillä. Meno- ja paluulämpötilan sekä virtauksen mallien viritys toimi hyvin. Paine-eron ennustaminen pelkästään verkossa esiintyvien tunnettujen paine-erojen avulla ei toiminut hyvin, vaan tarvittiin lisäselittäjiksi tunnettuja absoluuttisia painemittauksia. Lämpötilan ennustamisen viivetarkastelussa todettiin, että vakioviiveen käyttö on perusteltua. Lentokentän kaukolämmön paluulämpötilaa es-ti-moi-tiin myös lineaarisella aikasarja-analyysilla samoilla selittäjillä kuin neuromallillakin. Neuromallin todettiin ennustavan paluulämpötilan paremmin kuin aikasarja-malli. Länsimäessä paine-eron ennustamista tutkittiin käyttäen selittäjinä pumppuasemien paine- ja paine-eromittauksia sekä Länsimäen paine-eroa ja ulkolämpötilaa. Ennustemallina käytettiin tuntikeskiarvomallia. Neuromalli, jossa on kaikki 21 selittäjää mukana, antoi parhaan tuloksen. Jos selittäjien määrä rajoitetaan siten, että otetaan mukaan vain seitsemän merkittävintä selittäjää, niin keskihajonta kasvaa 20 %. Kolmantena kohteena oli Mesikukantien paluulämpötilan ja paine-eron ennustaminen. Paluulämpötilan ennustaminen tehtiin periaatteessa samalla tavalla kuin lentokentän tapauksessa. Selittäjiksi otettiin lisäksi Koivukylän lämpökeskuksen kattiloiden menolämpötilat ja virtaukset. Paine-eron ennustamisessa käytettiin pumppuasemien ja Koivukylän lämpökeskuksen painetietoja sekä ulkolämpötilaa. Näin saatiin paras ennuste, jonka keskihajonnaksi saatiin 1,2 % maksimi- ja minimiarvojen keskiarvosta. Neurolaskennalla saatiin hyvä tilastolliseen mittaustietoon perustuva kaukolämpöverkon tilan estimointimalli. Neuromallin, kuten kaikkien muidenkin tilastopohjaisten mallien, käytössä yksi suurimpia työvaiheita on datan kerääminen ja muokkaaminen tilastollisessa laskennassa tarvittavaan muotoon. Mallin muodostaminen, selittäjien hakeminen ja mallin opettaminen vaativat asiantuntemusta. Nämä tehtävät pitäisi pystyä automatisoimaan siten, että verkkomallin käyttäjän ei tarvitse opettaa neuromallia, vaan tietokone hoitaa ko. toiminnot automaattisesti. Mallin uudelleen opettamista ajatellen automaattinen datojen muodostaminen ei saa olla kuitenkaan liian rajoittava tekijä. Mallin rakenteen muuttaminen ja uudelleen opettaminen tulee olla riittävän yksinkertaista, jotta sitä tarvittaessa myös tehtäisiin.
    Translated title of the contributionEstimating the state of district heating network by neural network method
    Original languageFinnish
    Place of PublicationEspoo
    PublisherVTT Technical Research Centre of Finland
    Number of pages36
    ISBN (Electronic)951-38-5324-1
    ISBN (Print)951-38-5323-3
    Publication statusPublished - 1998
    MoE publication typeNot Eligible

    Publication series

    SeriesVTT Tiedotteita - Meddelanden - Research Notes
    Number1919
    ISSN1235-0605

    Keywords

    • district heating
    • thermal networks
    • statistical models
    • neural nets
    • neural network models

    Fingerprint Dive into the research topics of 'Estimating the state of district heating network by neural network method'. Together they form a unique fingerprint.

    Cite this