PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Zastosowanie przesuwnego okna czasowego do adaptacji modelu prognozowania zapotrzebowania na ciepło dla miejskiej sieci ciepłowniczej

Treść / Zawartość
Identyfikatory
Warianty tytułu
Języki publikacji
PL
Abstrakty
PL
System ciepłowniczy oparty o elektrociepłownię zasilającą miejską sieć ciepłowniczą stanowi powszechną formę dystrybucji ciepła w dużych obszarach miejskich w Polsce. Głównym elementem optymalizacji pracy systemu jest krótkoterminowe planowanie produkcji energii w kogeneracji (do kilku dni naprzód), a podstawową daną wejściową do tego procesu jest godzinowa prognoza zapotrzebowania na ciepło. Dobowy profil obciążenia cieplnego zmienia się w zależności od zmiany parametrów pogodowych, charakteru poboru ciepła przez odbiorców, a także na skutek dynamiki sieci ciepłowniczej pod wpływem zmiennych warunków eksploatacyjnych. W referacie przedstawiono wyniki obliczeń z opracowanego modelu zapotrzebowania na ciepło, z wykorzystaniem metody uogólnionego modelu addytywnego GAM. Opisano sposób budowy modelu predykcyjnego i procedurę jego adaptacji w oparciu o zastosowanie przesuwnego okna czasowego z danymi uczącymi model. Przedstawione wyniki uzyskano na podstawie danych pochodzących z rzeczywistego systemu ciepłowniczego, o szczytowym zapotrzebowaniu na poziomie około 200 MWt. Analizie poddano wpływ rozmiaru okna treningowego modelu (liczba dób w przedziale od kilku do kilkunastu) na błąd predykcji w horyzoncie doby następnej, podczas różnych okresów sezonu grzewczego. W rezultacie otrzymano model o średnio-sezonowym błędzie około 8%. Wykazano, że zastosowanie adaptacji z relatywnie krótkim oknem treningowym uczącym model może istotnie zwiększyć jego dokładność w okresach przejściowych (kwiecień-maj), gdzie kluczowe warunki wpływające na pracę sieci zmieniają się dynamicznie i w trudny do przewidzenia sposób.
Rocznik
Tom
Strony
267--279
Opis fizyczny
Bibliogr. 18 poz., rys., tab., wykr.
Twórcy
  • PGE Energia Ciepła S.A.
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, Wydział Inżynierii Mechanicznej i Robotyki
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, Wydział Inżynierii Mechanicznej i Robotyki
  • PGE Polska Grupa Energetyczna S.A
Bibliografia
  • [1] Madejski P., Żymełka P., Węzik R., Kubiczek H., Gas fired plant modeling for monitoring and optimization of electricity and heat production, Journal of Power Technologies 2017, 97(5), 455-462.
  • [2] Żymełka P., Szega M., Madejski P., Techno-economic optimization of electricity and heat production in gas-fired CHP plant with heat accumulator, Journal of Energy Resources Technology 2019, 142, 1-64. DOI: 10.1115/1.4044886.
  • [3] Lichota J., Kołodziejak P., Elektrociepłownia na rynku energii, Rynek Energii 2018, 1, 11-19.
  • [4] Geysen D., De Somer O., Johansson Ch., Brage J., Vanhoudt D., Operational thermal load forecasting in district heating networks using machine learning and expert advice, Energy and Buildings 2018, 162, 144-153. DOI: 10.1016/j.enbuild.2017.12.042.
  • [5] Mosavi A., Bahmani A., Energy consumption prediction using machine learning; A review. Preprints 2019030131, 2019.
  • [6] Dotzauer E., Simple model for prediction of loads in district-heating systems, Applied Energy 2002, 73, 277-284. DOI: 10.1016/S0306-2619(02)00078-8.
  • [7] Baltputnis K., Petrichenko R., Sobolevsky D., Heating demand forecasting with multiple regression: Model setup and case study, Conference: 2018 IEEE 6th Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE). DOI: 10.1109/AIEEE.2018.8592144.
  • [8] Grosswindhager S., Voigt A., Kozek M., Online short-term forecast of system heat load in district heating networks, In Proceedings of the 31st International Symposium on Forecasting, Prague, Czech Republic, 2011.
  • [9] Fang T., Lahdelma R., Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system, Applied Energy 2016, 179, 544-552. DOI: 10.1016/j.apenergy.2016.06.133.
  • [10] Wojdyga K., Predicting heat demand for a district heating systems, International Journal of Energy and Power Engineering 2014, 3(5), 237-244. DOI: 10.11648/j.ijepe.20140305.13.
  • [11] Bandyopadhyay S., Hazra J., Kalyanaraman S., A machine learning based heating and cooling load forecasting approach for DHC networks, IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT) 2018,1-5. DOI: 10.1109/ISGT.2018.8403331.
  • [12] Suryanarayana G., Lago J., Geysen D., Aleksiejuk P., Johansson C., Thermal load forecasting in district heating networks using deep learning and advanced feature selection methods, Energy 2018, 157, 141-149. DOI: 10.1016/j.energy.2018.05.111.
  • [13] Le L., Nguyen H., Zhou J., Dou J., Moayedi H., Estimating the heating load of buildings for smart city planning using a novel artificial intelligence technique PSO-XGBoost, Applied Sciences 2009, 9(13), 2714. DOI: 10.3390/app9132714.
  • [14] Dahl M., Brun A., Kirsebom O.S., Andresen G.B., Improving short-term heat load forecasts with calendar and holiday data, Energies 2018, 11(7), 1-16. DOI: 10.3390/en11071678.
  • [15] Saloux E., Candanedo J.A., Forecasting district heating demand using machine learning algorithms, Energy Procedia 2018, 149, 59-68. DOI: 10.1016/j.egypro.2018.08.169.
  • [16] Wood S.N., Generalized Additive Models: An introduction with R, Chapman & Hall, London 2006.
  • [17] Lis A., Uogólnione modele addytywne z parametrem położenia, skali i kształtu, Praca magisterska, Uniwersytet Warszawski, Wydział Matematyki, Informatyki i Mechaniki, 2011.
  • [18] Wood S.N., Mgcv: GAMs and generalized ridge regression for R, R News 2001, 1(2), 20-25.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-65bbafc9-53ca-4a25-b310-20c30b1186fe
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.