SARIMAX reliability for prediction of energy demand in a district heating substation

Huvudsyftet med denna studie är att förstå om ett säsongsmässigt autoregressivt integrerat rörligt genomsnitt (SARIMA) -metod pålitligt kan förutsäga extrem variation i värmelaster för en fjärrvärmestation. Genom extrem variation ser vi på den maximala och minsta värmebelastningen per dag mätt i megawattstimmar. Avhandlingen bygger på standardimplementering av SARIMAX och utför en rutnätsökning efter de mest lämpliga parametrarna. Prognoser kan genereras från tidsserier i syfte att uppskatta förväntad energiförbrukning i en fjärrvärmestation. Frågan som ställs är: Hur tillförlitlig är SARIMAX-modellen för energibehov i en fjärrvärmestation? För att besvara studiens fråga designas och genomförs experiment med hjälp av ett dataset från verkliga mätningar. Datasetet studerades och analyserades med hjälp av undersökande dataanalystekniker som kommer med statistiska paket implementerade i en pythonmiljön, som kan användas som ett statistiskt program. Uppgifterna är uppdelade i två säsonger, sommar och vinter. Där den explorativa analysen av datasetet visar att modellen måste ta hänsyn till den starka veckocykeln med data. Så att korrelationen mellan utetemperaturen kan användas för att förbättra förutsägelsen. Fininställning och tillämpning av SARIMAX och Prophet för förutsägelser genererar data i form av diagram som visar hur tillförlitlig modellen är för förutsägelse. Resultaten visar att SARIMAX-modellen presterar bättre under vintermånaderna och sämre under sommaren. Baserat på dessa resultat antyder avhandlingsstudien att SARIMAX-modellen är mer tillämplig under vintermånaderna där förutsägelsen är mer tillförlitlig. Jämförelser med Prophet modellen indikerar lovande resultat och att vidare forskning borde föras för denna modell. Dessa resultat kan vara till hjälp för industrin som förser samhället och konsumenterna med fjärrvärme. Det hjälper till att förutse hur mycket energiförbrukning som används där industrin kan använda den för att reglera mängden fjärrvärme, för att ytterligare hjälpa ekonomin och miljön.The main objective in this study is to understand if a Seasonal Autoregressive Integrated Moving Average (SARIMA) method can reliably predict extreme variation in heat loads for a district heating substation. By extreme variation we look at the maximum and minimum heat load per day measured in megawatt hour. The thesis relies on standard implementation of SARIMAX and performs a grid search for the most suitable parameters. Forecast can be generated from time series with the purpose of estimating expected energy consumption in a district heating substation. The question addressed is: How reliable is the SARIMAX-model for energy demand in a district heating substation? To answer the study’s question, experiments are designed and conducted using a dataset from real measurements. The dataset was studied and analyzed using exploratory data analysis techniques that come with statistical packages implemented in the python environment, which can be used as a statistical program. The data is separated into two seasons, summer and winter. Where the explorative analysis of the data shows that the model needs to take in account the strong weekly cycle of data. Also the correlation between the outside temperature can be used to improve prediction. Fine tuning and applying SARIMAX and Prophet for predictions generates data in the form of graphs and tables which shows how reliable the SARIMAX model is for prediction. Results show that the SARIMAX model is performing better during winter months and worse during summer. Based on these results, the thesis study suggests that the SARIMAX-model is more applicable during winter months where prediction is more reliable. Comparison with the Prophet model indicates promising results and that further investigations should be made into this model. These results can be of help to the industry that supplies the community and consumers with district heating. It helps by predicting how much energy consumption is used where the industry can use it to regulate the amount of district heating, to further help the economy and environment.