Nový výzkum z Německa a USA analyzoval dopad integrace tepelných čerpadel (HP) na schopnost předpovídat denní zátěž v energetických komunitách. Pomocí různých modelů vědci také zkoumali, zda by zatížení HP mělo být předpovídáno odděleně od

Nový výzkum z Německa a USA analyzoval dopad integrace tepelných čerpadel (HP) na schopnost předpovídat denní zátěž v energetických komunitách. Pomocí různých modelů vědci také zkoumali, zda by zatížení HP mělo být předpovídáno odděleně od zbytku domácnosti nebo obojí dohromady.

Mezinárodní výzkumná skupina zkoumala dopad tepelných čerpadel na předpovědi zatížení energetické komunity. A zjistila, že používání takzvaných transformátorových modelů zlepšuje kvalitu předpovědí.

„Tradiční vzorce zatížení se v mnoha zemích změní transformací sektoru vytápění na tepelná čerpadla,“ vysvětlili akademici. „Tento vývoj má vážný dopad na provozovatele energetických komunit. Za prvé, není jasné, zda stejné metody předpovědi fungují dobře pro tradiční zatížení domácností a zatížení tepelných čerpadel. Za druhé, potenciální dopad úrovně agregace na prognózy zatížení energetické komunity nebyl prozkoumán.“

Skupina použila předpovědní modely založené na technikách strojového učení, jako jsou náhodné lesy a XGBoost, a také techniku ​​rekurentních neuronových sítí sítí s krátkou krátkou pamětí (LSTM). Kromě toho hodnotila novou architekturu neuronových sítí transformátorů.

Kromě daného zatížení a perfektních předpovědních údajů o počasí akademici navrhli další funkce, které může být nutné implementovat do každé předpovědi: typ dne, cyklické kalendářní funkce, klouzavý průměr zdánlivé teploty, průměrné zatížení ve stejnou dobu a minulá zatížení. Pro každý případ prognózy a metodu prognózy použila skupina Bayesovský model optimalizace k identifikaci nejrelevantnějších funkcí.

Modely předpovídání založené na technikách strojového učení

Kromě toho výzkumníci použili úplný souborový empirický režim rozkladu s metodou adaptivního šumu (CEEMDAN) jako rozšíření každé techniky předpovědi. „Stálý počet studií prognózování zátěže používá techniky rozkladu ke zlepšení výkonu modelu,“ vysvětlili. ,,Algoritmus CEEMDAN má několik výhod oproti alternativním metodám rozkladu: vykazuje lepší řešení problému míchání režimů, je odolnější vůči šumu a je nestacionární."

Všechny prognostické modely, rozšíření a agregační scénáře se aplikovaly na vysoce kvalitní soubor údajů o zatížení domácností v energetické komunitě v Hamelnu v Německu. Datový soubor obsahuje měření činného a jalového výkonu, napětí a proudu 38 domácností vybavených vysokoteplotním systémem voda-voda a přídavným topným tělesem jako záložním ohřívačem. Podle výzkumníků instalace HP v tomto případě změnila špičkové zatížení z 20,1 kW na 80,1 kW.

Model se trénoval a analyzoval pro předpovídání zátěží na úrovni nízkonapěťového transformátoru, ke kterému se připojilo více domácností energetické komunity. Data z roku 2019 se použila pro trénování a testování výběru hyperparametrů. Zatímco data z roku 2020 se použila pro vlastní benchmarking různých metod.

Modely poskytující nejlepší výkon

Výsledky ukazují, že nejvýkonnější předpovědní metody se po instalaci tepelných čerpadel mění. Zatímco náhodné lesy nebo XGBoost poskytují přiměřenou kvalitu předpovědi při předpovídání tradiční zátěže, metoda založená na transformátoru se stala přesnější, když se data agregována pomocí HP.

„Kvalitu předpovědi zátěže energetické komunity na den dopředu nelze výrazně zvýšit získáním samostatných měření zátěže tepelných čerpadel. Což by představovalo další úsilí pro energetické komunity nebo provozovatele distribučních sítí,“ dále ukázaly výsledky. „Modely založené na transformátorech také poskytují nejlepší výkon v reálném případě použití systémů pro ukládání energie akumulátorů (BESS) pro zkoumanou energetickou komunitu s tepelnými čerpadly.“

Výzkum se prezentoval v článku „Vliv tepelných čerpadel na předpovídání denního energetického zatížení komunity“, publikovaném v Applied Energy.

Výzkum provedli vědci z německého Karlsruhe Institute of Technology a Indiana Purdue University. „Vyzýváme výzkumné pracovníky, aby využili naši datovou sadu, výsledky a hodnotící kanál, který publikujeme jako open source, k porovnání nových metod s nimi, aby posouvali přesné předpovědní techniky pro množství energetických komunit s tepelnými čerpadly a aplikovali naši metodologii na alternativní datové sady,“ zdůraznili.

Zdroj: pv-magazine, Vapol