Short-Term Heat Load Forecasting in District Heating Systems : A Comparative Study of Various Forecasting Methods

Short term heat load forecasts are vital for optimal production planning and commitment of generation units. The generation utility also bares a balance responsibility toward the electricity market as a result of CHP generation. Sub-optimal load forecasts can lead to high costs relating to unit commitment, fuel usage and balancing costs. This thesis presents the empirical comparison of various models for 24h heat load forecasting. Five methods were investigated including four supervised machine learning algorithms; neural networks, support vector machines, random forests and boosted decision trees and one auto-regressive time series model; ARIMAX. The models were developed, and evaluated using cross validation with one year of hourly heat load data from a local district heating system and corresponding meteorological data from the same time period. The thesis also investigates the impact of feature selection on the predictive power and generalization ability of the models. The results indicate a significant difference in forecast accuracy between the methods with neural networks and ARIMAX showing the best and similar performance followed by the support vector machine, boosted decision trees and random forest.Korttidsprognoser för fjärrvärmelast är mycket viktiga för optimal produktionsplanering. Energibolag som använder kraftvärme bär dessutom balansansvar gentemot elmarknaden. Sub-optimala lastprognoser kan leda till höga kostnader för start och stopp, bränsleåtgång och obalanser. Detta examensarbete presenterar den empiriska jämförelsen av olika modeller avseende 24-timmars lastprognostisering. Totalt fem metoder undersöktes varav fyra maskininlärningsalgoritmer; neurala nätverk, stödvektormaskin, random forest samt boosted desicion trees och en tidsseriemodell; ARIMAX. Modellerna utvecklades, och utvärderades med hjälp av korsvalidering på ett års värden av timvis lastdata från ett lokalt fjärrvärmenät och motsvarande väderdata för samma tidsperiod. Examensarbetet undersöker även inverkan av variabelselektion på prognosernas precision och förmåga att generalisera. Resultaten tyder på en signifikant skillnad i noggrannhet mellan de olika modellerna. Bäst resultat uppnåddes av neurala nätverk och ARIMAX med en liten skillnad sinsemellan, följt av stödvektormaskin, boosted decision trees och random forest