地域暖房の説明可能な熱負荷パターン予測に向けて

Scientific Reports volume 13、記事番号: 7434 (2023) この記事を引用

562 アクセス

メトリクスの詳細

熱ネットワークは、特定の国の住民に熱エネルギーを提供することで、エネルギー分野で重要な役割を果たしています。 熱ネットワークの効果的な管理と最適化には、ユーザーの熱使用パターンを深く理解する必要があります。 ピーク使用期間などの不規則なパターンでは、システムの設計容量を超える可能性があります。 しかし、これまでの研究では、熱使用プロファイルの分析がほとんど無視されているか、小規模に行われていました。 このギャップを埋めるために、この研究では、地域暖房ネットワークにおける熱負荷を分析および予測するためのデータ駆動型アプローチを提案します。 この研究では、韓国の清州にあるコージェネレーション DH プラントの 8 シーズンを超える暖房シーズンのデータを使用して、サポート ベクター回帰 (SVR)、ブースティング アルゴリズム、多層パーセプトロン (MLP) などの教師あり機械学習 (ML) アルゴリズムを使用して分析および予測モデルを構築しています。 ）。 モデルは、気象データ、休日情報、および過去の時間ごとの熱負荷を入力変数として受け取ります。 これらのアルゴリズムのパフォーマンスは、データセットのさまざまなトレーニング サンプル サイズを使用して比較されます。 結果は、ブースティング アルゴリズム、特に XGBoost が、SVR や MLP よりも予測誤差が低い、より適切な ML アルゴリズムであることを示しています。 最後に、さまざまな説明可能な人工知能のアプローチを適用して、トレーニングされたモデルと入力変数の重要性を詳細に解釈します。

地域暖房（DH）は、過去数十年にわたり、消費者に冷暖房を効果的に提供するための重要なエネルギー供給インフラとして注目を集めてきました1。 DH は、他のエネルギー供給オプションと比較して、二酸化炭素排出量の削減、複数の熱源の統合、高いエネルギー スループットなど、多くの点で優れています。 最新の第 4 世代および第 5 世代の DH は、熱電併給 (CHP)、ガスボイラー、水源ヒートポンプ (HP)、地中源 HP、太陽エネルギーベースの HP など、複数の熱源を利用できます。 最近の文献では、DH 技術の急速な発展により、経済的およびエネルギー的要因の観点から DH システムの設計と最適化に関するシミュレーション フレームワークと効果的なアプローチの開発に重点が置かれています 2,3。 蓄熱技術も、熱生成と DH 効率向上の需要を切り離すのに役立つため、注目のトピックです4。 DH ネットワークに関する最新情報を入手するために、次の記事 1、5 をレビューしました。

熱使用パターン分析は、ネットワーク全体の効率に大きな影響を与えるため、エンドユーザーの数が増加するにつれて、その重要性がますます高まっています。 需要家側からの熱利用行動の変化は、単一の変電所の熱利用パターンの変化につながります。これは、正確かつ効率的な DH の管理と運用にとって重要な問題です6。 たとえば、夏と冬の大きな温度差は、ユーザーの熱需要に大きな影響を与えます。 さらに、時間当たりの熱需要も家庭によって異なるため、変電所の熱需要にばらつきが生じます7。

DH ネットワークを効果的に管理するには、正確な熱需要予測フレームワークが不可欠です8。 まず、全体的な熱生成の最適化が促進され、熱損失が最小限に抑えられ、運用コストが最適化されます。 次に、熱需要予測モデルを用いてリアルタイムの熱使用量を予測するために、分布温度を適切な範囲に設定します。 その結果、熱需要の予測に関する研究提案が増加している。 熱需要分析は一般に、モデルベースのカテゴリとデータ相関カテゴリに分類できます9。 データ相関アプローチは主に、各変電所または建物の熱使用プロファイルを作成するために、DH パラメーターの建物機能相関に依存します。 モデルベースの手法は、過去の熱負荷データ 10 を使用して代表的なパターンを効果的に学習するために、機械学習 (ML) アルゴリズムに依存しています。 データ相関アプローチはモデルベースのアプローチよりも高い精度を提供しますが、各建物/変電所には独自の熱使用プロファイルを構築する必要があるため、時間と労力がかかります。 モデルベースの熱使用量予測アルゴリズムのパフォーマンスは大幅に向上しました。これは、過去数十年にわたる人工知能 (AI) とビッグデータの大幅な進歩によるものです9、10。