Prognozowanie przedziału czasowego z maksymalnym w ciągu doby z użyciem gazu przez kotłownię

• Autorzy: Nowak Bogdan , Bartnicki Grzegorz

Identyfikatory

DOI

10.24425/znigsme.2019.130166

Warianty tytułu

EN

Forecasting the time interval of the day with the maximum boilers gas consumption

• Języki publikacji: PL

Abstrakty

PL

Działania mające na celu poprawę efektywności energetycznej systemów zaopatrzenia w ciepło wymagają korzystania z coraz bardziej złożonych metod. Podstawowe sposoby zmniejszenia zużycia ciepła poprzez stosowanie lepszej izolacji cieplnej mają coraz bardziej ograniczone możliwości iwymagają stosunkowo dużych nakładów finansowych. Dobre efekty mogą być osiągane przez coraz lepsze dopasowanie rozwiązań technicznych, sposobów regulacji czy zasad eksploatacji źródła ciepła do warunków konkretnego obiektu zasilanego wciepło. Wymaga to jednak zarówno badań identyfikujących skuteczność takich metod, jak inarzędzi służących do opisu wybranych elementów systemu czy jego całości. Artykuł przedstawia wyniki badań przeprowadzonych dla kotłowni gazowej zasilającej w ciepło grupę budynków mieszkalnych. Celem było zbudowanie modelu, który prognozowałby dla konkretnego dnia przedział czasowy, w którym występuje maksymalne zużycie gazu. Dysponując pomiarami zużycia gazu wkolejnych godzinach doby, zdecydowano się zbudować model prognostyczny wyznaczający tę część doby, w której takie maksimum wystąpi. W opracowanym modelu zdecydowano się zastosować procedurę lasów losowych (random forest). Do utworzenia modelu zastosowano pakiet mlr (Kassambara), w którym przeprowadzono również strojenie hiperparametrów modelu na bazie danych historycznych. W oparciu o odrębne dane dla innego okresu działania kotłowni przedstawiono wyniki oceny jego jakości. Uzyskano skuteczność niemal 44%. Strojenie modelu wpłynęło na poprawę jego zdolności predykcyjnych.

EN

The heat supply systems energy efficiency improvement requires the use of increasingly complex methods. The basic ways to reduce heat consumption is by using better thermal insulation, although they have more and more limited possibilities and need relatively large financial outlays. Good effects can be achieved by the better heat source adaptation to the conditions of aspecific facility supplied with heat. However, this requires research that identifies the effectiveness of such solutions as well as the tools used to describe selected elements of the system or its entirety. The article presents the results of tests carried out for agas boiler room supplying heat to agroup of residential buildings. The goal was to build amodel that would forecast the day range in which the maximum gas consumption occurs for agiven day. Having measurements of gas consumption in subsequent hours of the day, it was decided to build aforecasting model determining the part of the day in which such amaximum would occur. To create the model the random forest procedure was used along with the mlr (Kassambara) package. The model’s hyperparameters were tuned based on historical data. Based on data for another period of boilerroom operation, the results of the model’s quality assessment were presented. Close to 44% efficiency was achieved. Tuning the model improved its predictive ability.

Słowa kluczowe

PL

zużycie gazu; model prognostyczny; las losowy

EN

gas consumption; prognostic model; random forest

• Wydawca: Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
• Czasopismo: Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
• Rocznik: 2019
• Tom: nr 109
• Strony: 93--109
• Opis fizyczny: Bibliogr. 12 poz., rys., wykr., tab.

Twórcy

autor

Nowak Bogdan

• Katedra Klimatyzacji, Ogrzewnictwa, Gazownictwa i Ochrony Powietrza, Wydział Inżynierii Środowiska, Politechnika Wrocławska

autor

Bartnicki Grzegorz

• Katedra Klimatyzacji, Ogrzewnictwa, Gazownictwa i Ochrony Powietrza, Wydział Inżynierii Środowiska, Politechnika Wrocławska

Bibliografia

• 1. Bartnicki, G. i Nowak, B. 2018. Model ARIMA w prognozowaniu zużycia gazu w cyklach miesięcznych. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN nr 103, s. 145–158.
• 2. Bartnicki, G. i Nowak, B. 2019. Współczynnik wykorzystania mocy umownej kotłowni gazowej jako podstawa do jej diagnostyki. Ciepłownictwo Ogrzewnictwo Wentylacja 50(2), s. 43–49.
• 3. Bąkowski, K. 2019. Sieci i instalacje gazowe. Warszawa: PWN.
• 4. Chen i in. 2017 – Chen, J., Kenli, Li, K., Tang, Z., Bilal, K., Yu, S., Weng, Ch. i Li, K. 2017. A Parallel Random Forest Algorithm for Big Data in a Spark Cloud Computing Environment. IEEE Transactions on Parallel and Distributed Systems 28(4), s. 919–933.
• 5. Chmielewska, A. 2017. Modelowanie zapotrzebowania na energię użytkową do przygotowania ciepłej wody w budynkach wielorodzinnych. Praca doktorska, Raporty Wydziału Inżynierii Środowiska Politechniki Wrocławskiej, Ser. PRE nr 7.
• 6. Kassambara, A. 2018. Machine Learning Essentials: Practical Guide in R. STHDA.
• 7. Gao i in. 2009 – Gao, D., Zhang, Y. i Zhao, Y. 2009. Random forest algorithm for classification of multiwavelength data. Research in Astronomy and Astrophysics 9(2), s. 220–226.
• 8. Galvin, R. i Sunikka-Blank, M. 2014. Disaggregating the causes of falling consumption of domestic heating energy in Germany. Energy Efficiency 7(5), s. 851–864.
• 9. Malska, W. i Wachta, H. 2015. Wykorzystanie modelu Arima do analizy szeregu czasowego. Zeszyty Naukowe Politechniki Rzeszowskiej 292, Elektrotechnika 34, RUTJEE z. 34(3), s. 23–30.
• 10. Nowak i in. 2011 – Nowak, B., Bartnicki, G. i Klimczak, M. 2011. Efektywność energetyczna lokalnego systemu ogrzewczego zaopatrującego w ciepło budynki mieszkalne. Ciepłownictwo Ogrzewnictwo Wentylacja 42(2), s. 65–68.
• 11. Rozporządzenie Ministra Gospodarki z dnia 2 lipca 2010 r. w sprawie szczegółowych warunków funkcjonowania systemu gazowego (t.j. Dz.U. z 2018 r. poz. 1158 z późn. zm.).
• 12. Zhao, L. 2014. Gas load characteristics and calculation [W:] Zhao, G., Ma, G., Liao, R. i Wang, J. red. Thermal, Power and Electrical Engineering III, Papers from the 3rd International Conference on Energy and Environmental Protection, Xian, China, 2014, Trans Tech Publications, Switzerland, s. 654–657.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).