Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen

Kari Sipilä

Research output: Book/ReportReport

Abstract

Kaukolämpöjärjestelmää kuvaavia laskentamalleja käytetään uuden järjestelmän suunnitteluun sekä vanhan laajennusten suunnitteluun ja käyttötilanteiden simulointiin. Suunnittelutehtävissä käytetään yleensä staattisia malleja ja käyttötehtävissä simulointi- ja optimointimalleja. Tässä tutkimuksessa on tutkittu tilastollisia menetelmiä kaukolämpöverkon toiminnan kuvaamisessa. Esimerkkiverkkona käytettiin Vantaan Sähkö Oy:n kaukolämpöverkkoa. Kaukolämpöverkon muuttujien kesken tehtiin korrelaatiotarkastelu, joka osoitti muuttujien olevan voimakkaasti riippuvaisia toisistaan. Kaukolämpöverkon mittauksien perusteella määriteltiin eri muuttujien väliset riippuvuudet kuten lämpötila, paine, paine-ero ja virtaus. Verkosta ei tehty fyysistä mallia, vaan kaukolämpöverkon hallinta perustui mittauksista luotuun tietokantaan. Muuttujien väliset kuvaukset tehtiin neurolaskennalla, jossa opetusmateriaalilla opetettiin voimakkaasti korreloivien muuttujien keskinäiset riippuvuudet. Opetetulla neuroverkolla testattiin kuvauksen toimivuutta testimateriaalissa, jossa oli samoja arvoja kuin opetusmateriaalissakin. Lämpötilan viive määriteltiin korrelaation maksimointimenetelmllä, ja virtaus, paine ja paine-ero olivat viiveettömiä parametreja. Lämpötilan kuvaamiseen kahden pisteen välillä käytettiin neurolaskennan lineaarista kuvausta. Lämpötilan neurolaskentamalli toimi opetus- ja testimateriaalissa hyvin. Keskimääräinen lämpötilan virhe oli esimerkin opetusmateriaalissa 0,4 oC ja testimateriaalissa 0,6 oC. Virtaus ja paine kuvattiin neurolaskennan backpropagation-menetelmällä, jossa käytettiin Levenbergin-Marquardtin algoritmia epälineaarisen ilmiön kuvaamiseen. Lentokentän virtauksella saatiin testiaineistossa keskimäärin 2,8 1/s:n tarkkuus, joka vastaa n. 3 %:n tarkkuutta. Suurimmillaan virhe oli kuitenkin 15 1/s. Paine-ero meno-paluuputken välillä opetuspisteessä ja tarkkailupisteessä lentokentällä antoi testimateriaalin tarkkuudeksi 0,3 bar, joka vastaa n. 10 %:n kuvaustarkkuutta ko. testimateriaalissa. Kaukolämpöverkon mittauspisteistä voidaan luoda informaatioverkko, jolla kaukolämpöverkon tilaa hallitaan ja simuloidaan nykyhetkessä ja ennustetaan tulevia ilmiöitä. Informaatioverkon laskenta voi edetä syöttöpisteestä piste pisteeltä tai viuhkamaisesti suoraan syöttöpisteestä jokaiseen tarkkailupisteeseen. Siten informaatioverkon kuvauksilla hallitaan verkossa tapahtuvien ilmiöiden vaikutukset tuotannosta kuluttajalle ja päinvastoin.
Original languageFinnish
Place of PublicationEspoo
PublisherVTT Technical Research Centre of Finland
Number of pages47
ISBN (Print)951-38-4522-2
Publication statusPublished - 1996
MoE publication typeD4 Published development or research report or study

Publication series

SeriesVTT Julkaisuja - Publikationer
Number813
ISSN1235-0613

Fingerprint

Statistical Models
Heating

Keywords

  • energy
  • district heating
  • dynamics
  • models
  • statistics
  • statistical analysis
  • simulation
  • temperature
  • measurement
  • neural nets
  • waterflow
  • computation

Cite this

Sipilä, K. (1996). Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen. Espoo: VTT Technical Research Centre of Finland. VTT Julkaisuja - Publikationer, No. 813
Sipilä, Kari. / Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen. Espoo : VTT Technical Research Centre of Finland, 1996. 47 p. (VTT Julkaisuja - Publikationer; No. 813).
@book{7e84ed8777674675b7bb8837d177f322,
title = "Tilastollisten mallien soveltaminen kaukol{\"a}mp{\"o}j{\"a}rjestelm{\"a}n dynamiikan kuvaamiseen",
abstract = "Kaukol{\"a}mp{\"o}j{\"a}rjestelm{\"a}{\"a} kuvaavia laskentamalleja k{\"a}ytet{\"a}{\"a}n uuden j{\"a}rjestelm{\"a}n suunnitteluun sek{\"a} vanhan laajennusten suunnitteluun ja k{\"a}ytt{\"o}tilanteiden simulointiin. Suunnitteluteht{\"a}viss{\"a} k{\"a}ytet{\"a}{\"a}n yleens{\"a} staattisia malleja ja k{\"a}ytt{\"o}teht{\"a}viss{\"a} simulointi- ja optimointimalleja. T{\"a}ss{\"a} tutkimuksessa on tutkittu tilastollisia menetelmi{\"a} kaukol{\"a}mp{\"o}verkon toiminnan kuvaamisessa. Esimerkkiverkkona k{\"a}ytettiin Vantaan S{\"a}hk{\"o} Oy:n kaukol{\"a}mp{\"o}verkkoa. Kaukol{\"a}mp{\"o}verkon muuttujien kesken tehtiin korrelaatiotarkastelu, joka osoitti muuttujien olevan voimakkaasti riippuvaisia toisistaan. Kaukol{\"a}mp{\"o}verkon mittauksien perusteella m{\"a}{\"a}riteltiin eri muuttujien v{\"a}liset riippuvuudet kuten l{\"a}mp{\"o}tila, paine, paine-ero ja virtaus. Verkosta ei tehty fyysist{\"a} mallia, vaan kaukol{\"a}mp{\"o}verkon hallinta perustui mittauksista luotuun tietokantaan. Muuttujien v{\"a}liset kuvaukset tehtiin neurolaskennalla, jossa opetusmateriaalilla opetettiin voimakkaasti korreloivien muuttujien keskin{\"a}iset riippuvuudet. Opetetulla neuroverkolla testattiin kuvauksen toimivuutta testimateriaalissa, jossa oli samoja arvoja kuin opetusmateriaalissakin. L{\"a}mp{\"o}tilan viive m{\"a}{\"a}riteltiin korrelaation maksimointimenetelmll{\"a}, ja virtaus, paine ja paine-ero olivat viiveett{\"o}mi{\"a} parametreja. L{\"a}mp{\"o}tilan kuvaamiseen kahden pisteen v{\"a}lill{\"a} k{\"a}ytettiin neurolaskennan lineaarista kuvausta. L{\"a}mp{\"o}tilan neurolaskentamalli toimi opetus- ja testimateriaalissa hyvin. Keskim{\"a}{\"a}r{\"a}inen l{\"a}mp{\"o}tilan virhe oli esimerkin opetusmateriaalissa 0,4 oC ja testimateriaalissa 0,6 oC. Virtaus ja paine kuvattiin neurolaskennan backpropagation-menetelm{\"a}ll{\"a}, jossa k{\"a}ytettiin Levenbergin-Marquardtin algoritmia ep{\"a}lineaarisen ilmi{\"o}n kuvaamiseen. Lentokent{\"a}n virtauksella saatiin testiaineistossa keskim{\"a}{\"a}rin 2,8 1/s:n tarkkuus, joka vastaa n. 3 {\%}:n tarkkuutta. Suurimmillaan virhe oli kuitenkin 15 1/s. Paine-ero meno-paluuputken v{\"a}lill{\"a} opetuspisteess{\"a} ja tarkkailupisteess{\"a} lentokent{\"a}ll{\"a} antoi testimateriaalin tarkkuudeksi 0,3 bar, joka vastaa n. 10 {\%}:n kuvaustarkkuutta ko. testimateriaalissa. Kaukol{\"a}mp{\"o}verkon mittauspisteist{\"a} voidaan luoda informaatioverkko, jolla kaukol{\"a}mp{\"o}verkon tilaa hallitaan ja simuloidaan nykyhetkess{\"a} ja ennustetaan tulevia ilmi{\"o}it{\"a}. Informaatioverkon laskenta voi edet{\"a} sy{\"o}tt{\"o}pisteest{\"a} piste pisteelt{\"a} tai viuhkamaisesti suoraan sy{\"o}tt{\"o}pisteest{\"a} jokaiseen tarkkailupisteeseen. Siten informaatioverkon kuvauksilla hallitaan verkossa tapahtuvien ilmi{\"o}iden vaikutukset tuotannosta kuluttajalle ja p{\"a}invastoin.",
keywords = "energy, district heating, dynamics, models, statistics, statistical analysis, simulation, temperature, measurement, neural nets, waterflow, computation",
author = "Kari Sipil{\"a}",
year = "1996",
language = "Finnish",
isbn = "951-38-4522-2",
series = "VTT Julkaisuja - Publikationer",
publisher = "VTT Technical Research Centre of Finland",
number = "813",
address = "Finland",

}

Sipilä, K 1996, Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen. VTT Julkaisuja - Publikationer, no. 813, VTT Technical Research Centre of Finland, Espoo.

Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen. / Sipilä, Kari.

Espoo : VTT Technical Research Centre of Finland, 1996. 47 p. (VTT Julkaisuja - Publikationer; No. 813).

Research output: Book/ReportReport

TY - BOOK

T1 - Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen

AU - Sipilä, Kari

PY - 1996

Y1 - 1996

N2 - Kaukolämpöjärjestelmää kuvaavia laskentamalleja käytetään uuden järjestelmän suunnitteluun sekä vanhan laajennusten suunnitteluun ja käyttötilanteiden simulointiin. Suunnittelutehtävissä käytetään yleensä staattisia malleja ja käyttötehtävissä simulointi- ja optimointimalleja. Tässä tutkimuksessa on tutkittu tilastollisia menetelmiä kaukolämpöverkon toiminnan kuvaamisessa. Esimerkkiverkkona käytettiin Vantaan Sähkö Oy:n kaukolämpöverkkoa. Kaukolämpöverkon muuttujien kesken tehtiin korrelaatiotarkastelu, joka osoitti muuttujien olevan voimakkaasti riippuvaisia toisistaan. Kaukolämpöverkon mittauksien perusteella määriteltiin eri muuttujien väliset riippuvuudet kuten lämpötila, paine, paine-ero ja virtaus. Verkosta ei tehty fyysistä mallia, vaan kaukolämpöverkon hallinta perustui mittauksista luotuun tietokantaan. Muuttujien väliset kuvaukset tehtiin neurolaskennalla, jossa opetusmateriaalilla opetettiin voimakkaasti korreloivien muuttujien keskinäiset riippuvuudet. Opetetulla neuroverkolla testattiin kuvauksen toimivuutta testimateriaalissa, jossa oli samoja arvoja kuin opetusmateriaalissakin. Lämpötilan viive määriteltiin korrelaation maksimointimenetelmllä, ja virtaus, paine ja paine-ero olivat viiveettömiä parametreja. Lämpötilan kuvaamiseen kahden pisteen välillä käytettiin neurolaskennan lineaarista kuvausta. Lämpötilan neurolaskentamalli toimi opetus- ja testimateriaalissa hyvin. Keskimääräinen lämpötilan virhe oli esimerkin opetusmateriaalissa 0,4 oC ja testimateriaalissa 0,6 oC. Virtaus ja paine kuvattiin neurolaskennan backpropagation-menetelmällä, jossa käytettiin Levenbergin-Marquardtin algoritmia epälineaarisen ilmiön kuvaamiseen. Lentokentän virtauksella saatiin testiaineistossa keskimäärin 2,8 1/s:n tarkkuus, joka vastaa n. 3 %:n tarkkuutta. Suurimmillaan virhe oli kuitenkin 15 1/s. Paine-ero meno-paluuputken välillä opetuspisteessä ja tarkkailupisteessä lentokentällä antoi testimateriaalin tarkkuudeksi 0,3 bar, joka vastaa n. 10 %:n kuvaustarkkuutta ko. testimateriaalissa. Kaukolämpöverkon mittauspisteistä voidaan luoda informaatioverkko, jolla kaukolämpöverkon tilaa hallitaan ja simuloidaan nykyhetkessä ja ennustetaan tulevia ilmiöitä. Informaatioverkon laskenta voi edetä syöttöpisteestä piste pisteeltä tai viuhkamaisesti suoraan syöttöpisteestä jokaiseen tarkkailupisteeseen. Siten informaatioverkon kuvauksilla hallitaan verkossa tapahtuvien ilmiöiden vaikutukset tuotannosta kuluttajalle ja päinvastoin.

AB - Kaukolämpöjärjestelmää kuvaavia laskentamalleja käytetään uuden järjestelmän suunnitteluun sekä vanhan laajennusten suunnitteluun ja käyttötilanteiden simulointiin. Suunnittelutehtävissä käytetään yleensä staattisia malleja ja käyttötehtävissä simulointi- ja optimointimalleja. Tässä tutkimuksessa on tutkittu tilastollisia menetelmiä kaukolämpöverkon toiminnan kuvaamisessa. Esimerkkiverkkona käytettiin Vantaan Sähkö Oy:n kaukolämpöverkkoa. Kaukolämpöverkon muuttujien kesken tehtiin korrelaatiotarkastelu, joka osoitti muuttujien olevan voimakkaasti riippuvaisia toisistaan. Kaukolämpöverkon mittauksien perusteella määriteltiin eri muuttujien väliset riippuvuudet kuten lämpötila, paine, paine-ero ja virtaus. Verkosta ei tehty fyysistä mallia, vaan kaukolämpöverkon hallinta perustui mittauksista luotuun tietokantaan. Muuttujien väliset kuvaukset tehtiin neurolaskennalla, jossa opetusmateriaalilla opetettiin voimakkaasti korreloivien muuttujien keskinäiset riippuvuudet. Opetetulla neuroverkolla testattiin kuvauksen toimivuutta testimateriaalissa, jossa oli samoja arvoja kuin opetusmateriaalissakin. Lämpötilan viive määriteltiin korrelaation maksimointimenetelmllä, ja virtaus, paine ja paine-ero olivat viiveettömiä parametreja. Lämpötilan kuvaamiseen kahden pisteen välillä käytettiin neurolaskennan lineaarista kuvausta. Lämpötilan neurolaskentamalli toimi opetus- ja testimateriaalissa hyvin. Keskimääräinen lämpötilan virhe oli esimerkin opetusmateriaalissa 0,4 oC ja testimateriaalissa 0,6 oC. Virtaus ja paine kuvattiin neurolaskennan backpropagation-menetelmällä, jossa käytettiin Levenbergin-Marquardtin algoritmia epälineaarisen ilmiön kuvaamiseen. Lentokentän virtauksella saatiin testiaineistossa keskimäärin 2,8 1/s:n tarkkuus, joka vastaa n. 3 %:n tarkkuutta. Suurimmillaan virhe oli kuitenkin 15 1/s. Paine-ero meno-paluuputken välillä opetuspisteessä ja tarkkailupisteessä lentokentällä antoi testimateriaalin tarkkuudeksi 0,3 bar, joka vastaa n. 10 %:n kuvaustarkkuutta ko. testimateriaalissa. Kaukolämpöverkon mittauspisteistä voidaan luoda informaatioverkko, jolla kaukolämpöverkon tilaa hallitaan ja simuloidaan nykyhetkessä ja ennustetaan tulevia ilmiöitä. Informaatioverkon laskenta voi edetä syöttöpisteestä piste pisteeltä tai viuhkamaisesti suoraan syöttöpisteestä jokaiseen tarkkailupisteeseen. Siten informaatioverkon kuvauksilla hallitaan verkossa tapahtuvien ilmiöiden vaikutukset tuotannosta kuluttajalle ja päinvastoin.

KW - energy

KW - district heating

KW - dynamics

KW - models

KW - statistics

KW - statistical analysis

KW - simulation

KW - temperature

KW - measurement

KW - neural nets

KW - waterflow

KW - computation

M3 - Report

SN - 951-38-4522-2

T3 - VTT Julkaisuja - Publikationer

BT - Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen

PB - VTT Technical Research Centre of Finland

CY - Espoo

ER -

Sipilä K. Tilastollisten mallien soveltaminen kaukolämpöjärjestelmän dynamiikan kuvaamiseen. Espoo: VTT Technical Research Centre of Finland, 1996. 47 p. (VTT Julkaisuja - Publikationer; No. 813).