THOMAS OHLSON TIMOUDAS

İsveç, RISE Araştırma Enstitüleri,

YIYU DING

Norveç Bilim ve Teknoloji Üniversitesi (MTNU), Enerji ve Proses Mühendisliği Fakültesi

QIAN WANG

KTH Kraliyet Teknoloji Enstitüsü, İnşaat Mühendisliği ve Mimarlık Fakültesi, Stockholm/İsveç 

(*) Bu makale The REHVA European HVAC Journal - Aralık 2022 sayısından çevrilmiştir.
Telif hakkı © 2022 yazarlarca alınmıştır. Konferans makalesi CC-BY*4.0 lisansıyla yayınlanmaktadır.

Özet
Bu çalışmada, bölgesel ısıtma sisteminde (District Heating (DH)) son kullanıcıların ısıtma enerjisi talebini bir gün öncesinden tahmin etmek için; DH son kullanıcılarının mevcut tüketim değerlerini ölçme bilgilerini ve hava durumu bilgilerini kullanarak makine öğrenimi yöntemlerini geliştiriyoruz. Çalışmanın odak noktası, kısa vadeli yük tahmin yöntemlerinin doğruluk düzeylerinin ayrıntılı bir analizidir. Özellikle doğruluk seviyelerinin miktarları giriş parametrelerindeki varyasyonlarla beraber Yapay Sinir Ağı (Artificial Neural Network (ANN)) modelleri için belirtilmiştir. Özellikle geçmişteki saatlik ısıtma yüklerinin tahmin modeline girdi olarak dâhil edilmesinin önemi bakımından geçmiş verilerin önemi araştırılmıştır. Ek olarak, geçmişteki girdi verilerinin farklı uzunluklarının etkisi incelenmiştir. Yöntemlerimiz, bir İskandinav ortamındaki gerçek bir kullanım durumundan alınan, 2016-2019 yılları arasında DH sistemi tarafından beslenen 20 bakım evinden toplanan ölçüm verileri kullanılarak değerlendirilmiş ve doğrulanmıştır. Bu çalışma, dış ortam sıcaklığı ve ısıtma yükü arasında güçlü bir doğrusal ilişki olmasına rağmen, gelecekteki ısıtma yüklerinin tahmini için geçmişteki ısıtma yüklerini bir girdi olarak dâhil etmenin önemini göstermiştir. Ayrıca, sonuçlar en azından önceki 24 saate ait geçmiş verileri dâhil etmenin önemli olduğunu göstermektedir. Ortaya çıkan modeller, bu tür tahmin modellerinin gerçek bir kullanım çalışması için pratik olarak uygulanabilir olduğunu göstermektedir. 

devamı için tıklayınız...