Investigation of the Improvement Potential of Heat Load Forecasts in BoFiT

Stockholm Exergi is a district heating company which distributes heat to customers in central and suburban Stockholm. The company has five major production plants and as in any energy business is it in the company’s best interest to optimize the production in order to reduce the costs. The optimization plan for the production facilities require heat load forecasts. Consequently does the accuracy of the forecasts have a large impact on how well the heat production can be planned. At Stockholm Exergi the heat load is forecasting performed in the software BoFiT. To facilitate the production planning and ultimately maximize the profits for Stockholm Exergi is the overall purpose of this project to investigate the improvement potential of the heat load predictions in BoFiT. The heat load consist of two parts; space heating and domestic hot water usage. Space heating is primarily weather dependent and the domestic hot water usage is mainly dependent on the social behavior of the inhabitants. Combined does these two create a complex system with stochastic, non-linear and non-stationary characteristics. To forecast such complex systems BoFiT has inbuilt mathematical models. Three different mathematical models in BoFiT have been analyzed; artificial neural network (ANN), regression and SARIMAX. The original model uses an ANN that uses outdoor temperature and previous heat load to forecast the heat load. This study utilize literature, modelling and statistical analysis to identify and evaluate more input parameters in combination with other mathematical models to determine if the model can be improved. The heat load was thermodynamically and mathematically described based on literature, the BoFiT model was examined and the utilized algorithms was mathematically described. As a basis for the statistical analysis and input parameter implementation was the actual heat load compared to the construction of heat load in BoFiT. The differences was identified and evaluated. BoFiT is inadequate in its method of thermodynamically correct describe the heat load, but due to its ability to learn to forecast based on previous heat load has the model the capacity to generate results with approximately 90-95 % accuracy. To improve the heat load forecasts, this study suggests to shift from calculating the heat load from the difference between the heat imported and the heat exported of a geographical limited area and instead install measurement stations at each customer substation to measure the actual heat demand. The heat load predictions are subjected to uncertainties in the study. These are errors in measurement data, errors in weather forecasts such as outdoor temperature or global irradiance and other forecasts error connected to e.g. supply and return temperature. Another problem with the models is that when more parameters are implemented they can amplify or cancel out other parameters. This is analyzed via a statistical analysis that shows that the multicollinearity is low for the analyzed input parameters. Ergo, the parameters do not affect each other negatively. The statistical analysis and validation in BoFiT showed that ANN was the best suited mathematical model and that the outdoor temperature and previous heat load should be complemented by the supply and return temperature as input parameters. The results of this study discloses that the original model will not be improved by adding new input parameters and using it to forecast the whole year. The mean absolute average error increased with 18.45 % for the yearly analysis. An improvement is possible if the forecasted year was divided into shorter seasons using different models for each season. The accuracy of the model could then increase in the winter, spring, summer and fall with 0.59 %, 33.74 %, 8.11 % and 4.18 % respectively. The results from the study was then applied onto another subnetwork to analyze if they were scalable. When only using the best overall model for the whole year the mean absolute error increased even further. This resulted in a model with a mean absolute error increase with 22.47 %. Similarly was the best scenarios for each season applied to the Solna forecast. Here the accuracy of the model decreased in the winter, spring and summer with 8.44 %, 57.07 % and 29.54 % respectively. The fall scenario had an increase in accuracy by 16.22 %.Stockholm Exergi är ett fjärrvärmebolag i Stockholm som producerar och distribuerar värme. Produktionen av värmen sker i huvudsak centralt i företagets fem olika kraftvärme- och värmeverk. Då värmet produceras i olika anläggningar och med olika bränsle är det i företagets intresse att optimera produktionen för att minimera kostnaderna. För att kunna planera en optimal produktionskörning i det totala systemet krävs värmelastprognoser. Hos Stockholm Exergi utförs dessa prognoser i mjukvaran BoFiT. Syftet med detta projekt är att undersöka förbättringspotentialen hos värmelastprognoserna i BoFiT för att underlätta optimeringen av produktionsplanering och följaktligen minska produktionskostnaderna. Värmelasten i en fastighet består av två delar; byggnadsuppvärmning och varmvattenanvändning. Byggnadsuppvärmning är främst väderberoende medan varmvattenanvändningen är starkt kopplat till det sociala beteendet hos människor. Dessa två delar kombinerat skapar ett komplext system som har stokastiska, icke-linjära samt icke-stationära egenskaper. För att kunna prognostisera sådana komplexa system används BoFiTs inbyggda matematiska modeller. Tre av dessa modeller har undersökts i detta projekt; artificiellt neuralt nätverk (ANN), regression och SARIMAX. Dagens modell använder ett ANN som är baserat på utetemperatur och tidigare dygns värmelast som indata. Denna studie använder litteratur, modellering och statistisk analys för att identifiera och utvärdera flera parametrar kombinerat med de olika modellerna för att identifiera ett så bra prognosmodell som möjligt. Värmelasten var termodynamiskt och matematiskt beskrivet baserat på litteratur medan BoFiT undersöktes empiriskt och de inbyggda modellerna var matematiskt förklarade. Denna information användes för att identifiera skillnader i den verkliga uppbyggnaden av värmelasten och hur BoFiT behandlar en värmelast. Resultatet från denna analys användes som underlag för den statistiska analysen. BoFiT är bristfällig i sitt sätt att beskriva en värmelast ur ett distributionstekniskt perspektiv jämfört med hur verkligheten ser ut, men tack vare dess matematiska modells egenskaper lyckas modellen ändå generera lastprognoser med cirka 90-95 % noggrannhet. För att förbättra modellen föreslår denna studie att Stockholm Exergi ska installera mätstationer hos varje kunds undercentral för att mäta det verkliga värmebehovet. Införandet av individuella mätstationer betyder att Stockholm Exergi kan gå ifrån den befintliga värmelastberäkningen där man endast beaktar skillnaden mellan värmeimport och värmeexport till olika geografiskt avgränsande områden, som i sin natur genererar fel i hur en värmelast är uppbyggd. Värmelastprognoserna innehåller osäkerheter som bidrar till fel i modellerna. Dessa osäkerheter inkluderar fel i mätdata, bortfall av data, fel i väderprognoser så som utomhustemperatur och solinstrålning samt fel i annan prognostiserade data såsom fram- och returledningstemperatur. Vidare problem med mer fler parametrar är att de kan förstärka eller försvaga effekten av andra parametrar. Detta tas hänsyn till genom en statistisk analys som räknar ut att den s.k. multikollineariteten är låg, d.v.s. att parametrarna inte påverkar varandra negativt. Den statistiska analysen och valideringen i BoFiT visade att den bäst lämpade matematiska modellen är ANN och de bäst lämpade tidsseriens för indata är utomhustemperatur, tidigare värmelast och fram- och returledningstemperaturer. Resultaten av denna studie visar att en modell som ska prognostisera hela året inte blir bättre än originalprognosen vid implementering av de nya statistiskt validerade parametrarna. Då får prognosen ett dagligt ökat fel med 18,45 %. Skulle det däremot vara möjligt att använda olika modeller vid de olika årstiderna (vinter, vår, sommar och höst) kan det totalt förbättras över hela året. Studien visar på att en daglig genomsnittlig förbättring med 0,59 %, 33,74 %, 8,11 % samt 4,18 % är möjlig för respektive årstid. Resultatet av studien på Lidingö var applicerat på ett nytt delnät för att undersöka om resultaten var skalbara över fjärrvärmenätet. Modellen som hade lägst fel över hela året provades på Solnanätet och resulterade i en ökning av felet med 22,47 %. På samma sätt var de bästa scenarier för varje årstid applicerade på Solnanätet. Resultatet blev att vintern, våren och sommaren fick ett ökat fel på 8,44 %, 57,07 % och 29,54 % respektive. Höstens modell hade en minskning av felet med 16,22 %