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/ReportReportProfessional

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.
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

NameVTT Tiedotteita - Meddelanden - Research Notes
PublisherVTT
No.1919
ISSN (Print)1235-0605
ISSN (Electronic)1455-0865

Fingerprint

Heating

Keywords

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

Cite this

Wistbacka, M., & Sipilä, K. (1998). Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla. Espoo: VTT Technical Research Centre of Finland. VTT Tiedotteita - Meddelanden - Research Notes, No. 1919
Wistbacka, Magnus ; Sipilä, Kari. / Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla. Espoo : VTT Technical Research Centre of Finland, 1998. 36 p. (VTT Tiedotteita - Meddelanden - Research Notes; No. 1919).
@book{20eb05221e134023a8afe5604da93c1f,
title = "Kaukol{\"a}mp{\"o}verkon dynamiikan mallintaminen neuraalilaskennalla",
abstract = "Tutkimuksessa k{\"a}ytettiin neuroverkkolaskentaa kaukol{\"a}mp{\"o}verkon tilan estimoinnissa. Tilastopohjaisen mallin edut verrattuna kaukol{\"a}mp{\"o}verkon fysikaaliseen malliin olisivat sen yksinkertaisempi yll{\"a}pito ja helpompi k{\"a}ytt{\"o} verkon ajotilanteiden estimoinnissa. Raportissa tutkittiin Vantaan Energia Oy:n kaukol{\"a}mp{\"o}verkon tilan estimointia Helsinki-Vantaan lento-kent{\"a}ll{\"a}, L{\"a}nsim{\"a}ess{\"a} ja Mesikukantiell{\"a} Tikkurilassa. Estimoitavia suureita em. paikoissa ovat meno-paluul{\"a}mp{\"o}tila, absoluuttinen paine, paine-ero ja virtaus. Mallit kehitettiin 10 minuutin ja tunnin keskiarvomittauksiin perustuen. Lentokent{\"a}n tapauksessa haettiin tarkkailupisteen selitt{\"a}jille paras kombinaatio eri viiveill{\"a}. Meno- ja paluul{\"a}mp{\"o}tilan sek{\"a} virtauksen mallien viritys toimi hyvin. Paine-eron ennustaminen pelk{\"a}st{\"a}{\"a}n verkossa esiintyvien tunnettujen paine-erojen avulla ei toiminut hyvin, vaan tarvittiin lis{\"a}selitt{\"a}jiksi tunnettuja absoluuttisia painemittauksia. L{\"a}mp{\"o}tilan ennustamisen viivetarkastelussa todettiin, ett{\"a} vakioviiveen k{\"a}ytt{\"o} on perusteltua. Lentokent{\"a}n kaukol{\"a}mm{\"o}n paluul{\"a}mp{\"o}tilaa es-ti-moi-tiin my{\"o}s lineaarisella aikasarja-analyysilla samoilla selitt{\"a}jill{\"a} kuin neuromallillakin. Neuromallin todettiin ennustavan paluul{\"a}mp{\"o}tilan paremmin kuin aikasarja-malli. L{\"a}nsim{\"a}ess{\"a} paine-eron ennustamista tutkittiin k{\"a}ytt{\"a}en selitt{\"a}jin{\"a} pumppuasemien paine- ja paine-eromittauksia sek{\"a} L{\"a}nsim{\"a}en paine-eroa ja ulkol{\"a}mp{\"o}tilaa. Ennustemallina k{\"a}ytettiin tuntikeskiarvomallia. Neuromalli, jossa on kaikki 21 selitt{\"a}j{\"a}{\"a} mukana, antoi parhaan tuloksen. Jos selitt{\"a}jien m{\"a}{\"a}r{\"a} rajoitetaan siten, ett{\"a} otetaan mukaan vain seitsem{\"a}n merkitt{\"a}vint{\"a} selitt{\"a}j{\"a}{\"a}, niin keskihajonta kasvaa 20 {\%}. Kolmantena kohteena oli Mesikukantien paluul{\"a}mp{\"o}tilan ja paine-eron ennustaminen. Paluul{\"a}mp{\"o}tilan ennustaminen tehtiin periaatteessa samalla tavalla kuin lentokent{\"a}n tapauksessa. Selitt{\"a}jiksi otettiin lis{\"a}ksi Koivukyl{\"a}n l{\"a}mp{\"o}keskuksen kattiloiden menol{\"a}mp{\"o}tilat ja virtaukset. Paine-eron ennustamisessa k{\"a}ytettiin pumppuasemien ja Koivukyl{\"a}n l{\"a}mp{\"o}keskuksen painetietoja sek{\"a} ulkol{\"a}mp{\"o}tilaa. N{\"a}in saatiin paras ennuste, jonka keskihajonnaksi saatiin 1,2 {\%} maksimi- ja minimiarvojen keskiarvosta. Neurolaskennalla saatiin hyv{\"a} tilastolliseen mittaustietoon perustuva kaukol{\"a}mp{\"o}verkon tilan estimointimalli. Neuromallin, kuten kaikkien muidenkin tilastopohjaisten mallien, k{\"a}yt{\"o}ss{\"a} yksi suurimpia ty{\"o}vaiheita on datan ker{\"a}{\"a}minen ja muokkaaminen tilastollisessa laskennassa tarvittavaan muotoon. Mallin muodostaminen, selitt{\"a}jien hakeminen ja mallin opettaminen vaativat asiantuntemusta. N{\"a}m{\"a} teht{\"a}v{\"a}t pit{\"a}isi pysty{\"a} automatisoimaan siten, ett{\"a} verkkomallin k{\"a}ytt{\"a}j{\"a}n ei tarvitse opettaa neuromallia, vaan tietokone hoitaa ko. toiminnot automaattisesti. Mallin uudelleen opettamista ajatellen automaattinen datojen muodostaminen ei saa olla kuitenkaan liian rajoittava tekij{\"a}. Mallin rakenteen muuttaminen ja uudelleen opettaminen tulee olla riitt{\"a}v{\"a}n yksinkertaista, jotta sit{\"a} tarvittaessa my{\"o}s teht{\"a}isiin.",
keywords = "district heating, thermal networks, statistical models, neural nets, neural network models",
author = "Magnus Wistbacka and Kari Sipil{\"a}",
note = "Project code: N7SU00055",
year = "1998",
language = "Finnish",
isbn = "951-38-5323-3",
series = "VTT Tiedotteita - Meddelanden - Research Notes",
publisher = "VTT Technical Research Centre of Finland",
number = "1919",
address = "Finland",

}

Wistbacka, M & Sipilä, K 1998, Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla. VTT Tiedotteita - Meddelanden - Research Notes, no. 1919, VTT Technical Research Centre of Finland, Espoo.

Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla. / Wistbacka, Magnus; Sipilä, Kari.

Espoo : VTT Technical Research Centre of Finland, 1998. 36 p. (VTT Tiedotteita - Meddelanden - Research Notes; No. 1919).

Research output: Book/ReportReportProfessional

TY - BOOK

T1 - Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla

AU - Wistbacka, Magnus

AU - Sipilä, Kari

N1 - Project code: N7SU00055

PY - 1998

Y1 - 1998

N2 - 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.

AB - 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.

KW - district heating

KW - thermal networks

KW - statistical models

KW - neural nets

KW - neural network models

M3 - Report

SN - 951-38-5323-3

T3 - VTT Tiedotteita - Meddelanden - Research Notes

BT - Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla

PB - VTT Technical Research Centre of Finland

CY - Espoo

ER -

Wistbacka M, Sipilä K. Kaukolämpöverkon dynamiikan mallintaminen neuraalilaskennalla. Espoo: VTT Technical Research Centre of Finland, 1998. 36 p. (VTT Tiedotteita - Meddelanden - Research Notes; No. 1919).