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 -