haku: @keyword load forecasting / yhteensä: 4
hakutulos-lista
viite: 3 / 4
« edellinen | seuraava »
Tekijä:Vuorinen, Matti Sakari
Työn nimi:Energiankulutuksen ennustusmallien kehittäminen sähkölaitoksessa
Development of load forecast models in an electrical utility
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2005
Sivut:100      Kieli:   fin
Koulu/Laitos/Osasto:Teknillisen fysiikan ja matematiikan osasto
Oppiaine:Sovellettu matematiikka   (Mat-2)
Valvoja:Salo, Ahti
Ohjaaja:Joronen, Jukka
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark TF80     | Arkisto
Avainsanat:load forecasting
generalised least squares
sähkönkulutuksen ennustaminen
kaukolämmön kulutuksen ennustaminen
yleistetty lineaarinen regressio
Tiivistelmä (fin): Nykyaikaiset energianhallintajärjestelmät mahdollistavat aikaresoluutioltaan entistä tarkempien vuosibudjettien laskennan.
Jotta järjestelmän laskentakyvystä saadaan täysi hyöty, pitää laskennan lähtötiedoissa antaa kaukolämmön ja sähkönkulutuksen kulutusennusteet tuntitasolla yhdestä kolmeen vuoteen eteenpäin.

Tässä työssä esitetään sekä kaukolämmön että sähkönkulutuksen ennustamiseen sopivat lineaariset mallit, jotka perustuvat oletukseen energiankulutuksen taustalla vaikuttavasta vuorokausirytmistä.
Mallien teoreettisessa tarkastelussa keskitytään kahteen mallien käyttöarvoa parantavaan asiaan.
Ensinnäkin työssä esitetään yleistettyyn lineaariseen regressioon perustuvat sovitus- ja rekursiivinen päivitysalgoritmi, jotka varmistavat mallien adaptoitavuuden vapautuneiden energiamarkkinoiden vallitessa tapahtuviin nopeisiin muutoksiin asiakasmäärissä.
Toiseksi työssä esitetään algoritmi, joka mahdollistaa erilaisten epä- ja yhtälörajoitusten käytön mallin kertoimien ratkaisemisessa.
Näiden rajoitusten avulla voidaan mallille antaa lisäinformaatiota esimerkiksi kuukausittaisten energiankulutusrajoitusten muodossa.

Mallien sovittamisesta saadut tulokset ovat selitysasteiden valossa erittäin positiivisia.
Molemmat energiasuureet riippuvat voimakkaasti lämpötilasta.
Kaukolämmön osalta kulutusta voidaan selittää ulkolämpötilan lisäksi kahdella erilaisella vuorokausiselittäjällä.
Sähkönkulutuksessa paras malli sisältää kolme erilaista vuorokausiprofiilia.
Molempien ennustusmallien kohdalla voimakas lämpötilariippuvuus on paitsi vahvuus myös mallien ongelmakohta.
Varsinaisten tulevaisuutta koskevien ennusteiden tarkkuus on enintään yhtä hyvä kuin käytössä oleva lämpötilaennuste.
Useamman vuoden päähän ulottuvissa ennusteissa pitää siis käyttää geneeristä lämpötilaa, esimerkiksi lämpötilan historiatietoon perustuvaa keskiarvokäyrää tai kuukausittaisista lämpötilajakaumista generoituja lämpökäyriä.

Työssä kehitettyjen mallien paras anti on lisäinformaation tuottaminen päätöksentekijälle.
Mallien avulla voidaan paitsi laskea vuosibudjetteja myös tehdä herkkyystarkasteluja lämpötilaan liittyvien epävarmuuksien suhteen.
Tällaiset herkkyystarkastelut parantavat riskien hallittavuutta ja lisäksi mallien taustalla oleva matematiikka toimii loogisena pohjana jota voidaan käyttää perusteltaessa erilaisia toimintastrategioita.
ED:2006-06-13
INSSI tietueen numero: 31999
+ lisää koriin
« edellinen | seuraava »
INSSI