Verso una previsione spiegabile dei modelli di carico termico per il teleriscaldamento

Rapporti scientifici volume 13, numero articolo: 7434 (2023) Citare questo articolo

562 accessi

Dettagli sulle metriche

Le reti di calore svolgono un ruolo vitale nel settore energetico offrendo energia termica ai residenti di alcuni paesi. La gestione e l'ottimizzazione efficaci delle reti di calore richiedono una profonda comprensione dei modelli di utilizzo del calore da parte degli utenti. Modelli irregolari, come i periodi di picco di utilizzo, possono superare le capacità di progettazione del sistema. Tuttavia, il lavoro precedente ha per lo più trascurato l’analisi dei profili di utilizzo del calore o effettuato su piccola scala. Per colmare il divario, questo studio propone un approccio basato sui dati per analizzare e prevedere il carico di calore in una rete di teleriscaldamento. Lo studio utilizza i dati di oltre otto stagioni di riscaldamento di un impianto di cogenerazione di teleriscaldamento a Cheongju, in Corea, per costruire modelli di analisi e previsione utilizzando algoritmi di apprendimento automatico supervisionato (ML), tra cui la regressione vettoriale di supporto (SVR), algoritmi di potenziamento e perceptron multistrato (MLP). ). I modelli prendono come variabili di input i dati meteorologici, le informazioni sulle vacanze e il carico termico orario storico. Le prestazioni di questi algoritmi vengono confrontate utilizzando diverse dimensioni del campione di addestramento del set di dati. I risultati mostrano che gli algoritmi di potenziamento, in particolare XGBoost, sono algoritmi ML più adatti con errori di previsione inferiori rispetto a SVR e MLP. Infine, vengono applicati diversi approcci spiegabili di intelligenza artificiale per fornire un'interpretazione approfondita del modello addestrato e dell'importanza delle variabili di input.

Negli ultimi decenni il teleriscaldamento (DH) è diventato un’infrastruttura cruciale per l’approvvigionamento energetico al fine di fornire efficacemente calore e raffreddamento ai consumatori1. Il teleriscaldamento è superiore sotto molti aspetti rispetto ad altre opzioni di fornitura energetica, tra cui un’impronta di carbonio inferiore, l’integrazione di più fonti di calore e un’elevata produzione di energia. Le ultime quarta e quinta generazione di teleriscaldamento possono utilizzare diverse fonti di calore, tra cui la cogenerazione di calore ed elettricità (CHP), caldaie a gas, pompe di calore ad acqua (HP), HP geotermiche e HP basate sull’energia solare. La letteratura recente si è concentrata maggiormente sullo sviluppo di quadri di simulazione e approcci efficaci per quanto riguarda la progettazione e l’ottimizzazione dei sistemi di teleriscaldamento in termini di fattori economici ed energetici, il che è dovuto al rapido sviluppo delle tecnologie di teleriscaldamento2,3. Anche la tecnologia di accumulo è un tema caldo, perché aiuta a disaccoppiare la produzione di calore e la domanda di aumento dell’efficienza del teleriscaldamento4. I seguenti articoli1,5 sono stati rivisti al fine di ottenere le informazioni più recenti sulle reti di teleriscaldamento.

L'analisi dei modelli di utilizzo del calore è diventata sempre più essenziale con l'aumento del numero di utenti finali, poiché incide notevolmente sull'efficienza dell'intera rete. Le variazioni nel comportamento di utilizzo del calore da parte dei consumatori portano a variazioni nel modello di utilizzo del calore di una singola sottostazione, che è una questione importante per la gestione e il funzionamento del teleriscaldamento accurato ed efficiente6. Ad esempio, la sostanziale differenza di temperatura tra l'estate e l'inverno influenza in modo significativo la domanda di calore degli utenti. Inoltre, anche la domanda oraria di calore varia tra le famiglie, il che provoca una variazione della domanda di calore nella sottostazione7.

Un accurato quadro di previsione della domanda di calore è fondamentale per gestire in modo efficace le reti di teleriscaldamento8. Innanzitutto, facilita l’ottimizzazione della produzione complessiva di calore, riduce al minimo la perdita di calore e ottimizza i costi operativi. In secondo luogo, la temperatura di distribuzione viene fornita in un intervallo appropriato per prevedere l’utilizzo del calore in tempo reale utilizzando il modello di previsione della domanda di calore. Di conseguenza, il numero di studi proposti in merito alla previsione della domanda di calore è in aumento. Un’analisi della domanda di calore può generalmente essere suddivisa in categorie basate su modelli e correlazioni di dati9. L’approccio di correlazione dei dati dipende principalmente dalla creazione di correlazioni funzionali dei parametri di teleriscaldamento al fine di sviluppare un profilo di utilizzo del calore per ciascuna sottostazione o edificio. La tecnica basata su modelli si basa su algoritmi di apprendimento automatico (ML) per apprendere in modo efficace i modelli rappresentativi utilizzando i dati storici sul carico termico10. L'approccio di correlazione dei dati offre una maggiore precisione rispetto all'approccio basato su modello, ma è lungo e laborioso poiché ciascun edificio/sottostazione ha un profilo di utilizzo del calore unico che deve essere costruito. Le prestazioni dell’algoritmo di previsione dell’utilizzo del calore basato su modello sono migliorate notevolmente, grazie agli enormi progressi compiuti nell’intelligenza artificiale (AI) e nei big data negli ultimi decenni9,10.