@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 °C ja testimateriaalissa 0,6 °C. 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",
}
