2.3.2. Utvärderingen av kategorier kompletterades med en korsvalidering och residualanalys via FMAE, precis som för de okategoriserade modellerna. De matematiskt beräknade kategorierna jämfördes med de befintliga kategorierna med hjälp av WSS och FMAE. De båda jämfördes även med det fall då ingen kategorisering gjorts på tidsuppdelade signaturer.
3.6 Implementering i Termis
Implementeringen av de ovan beskrivna tidsuppdelningen och kategoriseringen av kundsignaturerna var analysens sista steg. Initialt undersöktes metoden som beskrevs i avsnitt 2.2.3, för att se hur denna kunde användas. Metoden tycktes lovande eftersom att den tog hänsyn till dels tid, dels temperatur och värden för individuella kunder. Eftersom att metoden använder sig av en komponent för temperaturberoende (PH) och en för tidsberoende (PW) delar av effektförbrukning, finns tydliga paralleller till standardsignatur och tidsserier.
I det här arbetet har tidsuppdelningen av effektsignaturer valts som ett sätt att representera den sociala delen av lasten. En metod för att skilja varmvattenuppvärmning från övrig uppvärmning ur en enskild mätserie beskrivs av Yliniemi (2005). Denna metod utgår ifrån att mätdata finns tillgänglig på sekundnivå vilket dock inte är fallet för den data som använts i det här examensarbetet. Metoden som Yliniemi beskriver bygger på att uppvärmningslasten är konstant under det studerade tidsintervallet, något som inte går att anta på timbasis. Dessutom visade sig möjligheten att variera kunders effektförbrukning vara begränsad till en tidsserie, vilket innebar att signaturernas fulla tids- och temperaturdynamik inte kunde utnyttjas. Snarare var det nödvändigt att välja en enskild parameter att variera kundens effektförbrukning över. Att använda andra komponenter i ekvationen för att beskriva tidsvariationer eller signaturparametrar var inte heller möjligt på grund av att dessa faktorer inte kunde sättas som kundspecifika.
Anpassning av simuleringsmodell
På grund av misslyckandet att implementera metoden via Termis standardsätt blev det nödvändigt att hitta ett annat sätt. Det största problemet med att implementera en tidsvariant och kundspecifik modell var att kopplingen mellan det lager där kunder lagras och det lager där noder lagras inte uppdateras under simuleringar, och att kunders attribut därför inte kan uppdateras i tid. Därför inleddes detta steg med en omfördelning av modellens struktur, där noderna tilldelades endast en kund var. Det steget tillät användning av tidsserier på ett sätt som går runt standardförfarandet. Nu behövde signaturparametrar och tidsserier importeras till simuleringsmodellen och överföras till attribut i nodlagret. Det skulle tillåta att beräkningar genomfördes på dem.
Eftersom att de signaturparametrar som finns inlästa i Termis-modellerna idag kommer från en annan databas importerades också de parametrar som beräknats i arbetet. Anledningen till att de ursprungliga parametrarna inte användes trots att beräkningen ska ha genomförts på samma sätt är att dessa beräknats med indata från ett annat tidsintervall. Det kan påverka kunder som kopplats in sent under detta intervall eller som av någon anledning ändrat sitt förbrukningsmönster efter denna tid. Ett skript i R skrevs för att skriva över alla kunders signaturparametrar till ett excelark tillsammans med kundernas ID-nummer. En uppkoppling kunde etableras från Termis-modellen till arket och ID-numren i arket och modellen kopplades samman. Genom denna koppling kunde sedan parametrarna överföras till rätt kund i modellen, utan att manuell införing krävdes. Samma process genomfördes senare för de kategorier kunderna delats in i.
31
Då parameterattributen var på plats i noderna infördes tidsserier med justeringsfaktorer i modellen och länkades till attributen. Den metod som använts för att föra in parametervärden och kategoritillhörighet, som beskrivits ovan, fungerade dock inte för tidsserier. Dessa behöver vara inlagda i programmet på en särskild form för att ska kunna uppdateras medan simuleringen pågår. Det påföljande steget i Termis var därför att hitta en bra metod för inläsning av stora mängder tidsserier i modellerna.
Simuleringsfall
Fem simuleringar skulle genomföras i Termis. Först simulerades ett referensscenario, där standardsignaturer användes. Den andra simuleringen skulle genomföras med alla tre signaturparametrar uppdelade, men utan kategorisering, så att varje kund representerar en egen kategori. Syftet med simuleringen var att hitta det bästa resultat som kan uppnås med signaturuppdelning, då simuleringen genomfördes utan att modellernas kvalitet reducerats av kategorisering. Den tredje och fjärde simuleringen skulle utföras med kategoriserade kunder. Dessa simuleringar var den mest intressanta då ambitionen var att de skulle spegla det mest realistiska förfarandet i en framtida implementation av metoden. Först skulle en simulering göras med de tidsserier som erhållits vid en fullständig uppdelning av signaturerna, och sedan med de tidsserier som kom från en begränsad uppdelning, på det sätt som beskrevs i avsnitt 3.4.3. En tidsserie för varje kategori skulle införas i modellen. Den femte och sista simuleringen skulle genomföras med de befintliga kategorierna.
Simuleringarna utfördes på en bestämd tidsperiod, som valdes till en vecka i januari 2017 och utomhustemperaturer för denna vecka lades in som temperaturprognoser i modellen. Simuleringarnas resultat skulle utvärderas med hjälp av adaptionsfaktorn. Faktorn representerar skillnaden mellan värmelast hos kunderna och den värmelast kunderna borde ha utifrån massflöden och fram- och returtemperaturer vid produktionsanläggningen. För att förbereda simuleringen lades därför en fiktiv produktionsanläggning vid en ände av nätet tillsammans med de faktiska värden på flöde och temperaturer som gällde vid denna punkt under den aktuella veckan. Ju bättre signaturmodellernas prediktioner motsvarar den förväntade värmelasten, ju närmare 1 hamnar adaptionsfaktorn.
32
4 Resultat
4.1 Analys av nätet
För att få bakgrund till resultaten av datamodelleringen och kunna utvärdera dessa mot andra källor utvärderades den del av fjärrvärmenätet som behandlats i projektet, Bromma. Syftet var att se huruvida nätet väl representerar ett typiskt svenskt fjärrvärmenät och få underlag till att förklara eventuella skillnader. Att jämföra Bromma med resten av Stockholm Exergis nät var av särskilt stort intresse för att kunna få underlag för en möjlig framtida implementering av metoden på företaget. Två faktorer undersöktes, andel av olika kundtyper och andel av energileveranser som går till dessa kundtyper. Kundtyperna baserades på de kategorier som idag används på Stockholm Exergi samt på de kundtyper som definieras av Statistiska centralbyrån (2013). Bromma, liksom resten av Stockholm, skiljer sig från Sverige som helhet genom att ha en relativt stor andel flerbostadshus och en relativt liten andel småhus. Andelen övriga byggnader och industrikunder är också relativt liten, medan andelen offentliga lokaler är relativt stor. De främsta skillnader som framstår då Bromma jämförs med resten av Stockholm är en större andel småhus och en mindre andel offentliga byggnader och övriga byggnader.
Som väntat går också en stor andel av Brommas värmeleveranser till flerbostadshus, som är den dominerande byggnadskategorin. Kategorin offentliga byggnader får även den en betydande del av värmeleveranserna medan övriga kategorier står för blygsamma andelar. Noterbart är att kategorin småhus förbrukar så pass lite värme att dess andel av värmeleveransen är bland de minsta, trots att de till antal är relativt många. Jämfört med resten av landet levereras relativt lite värme till industrier, småhus och övriga kundtyper.
Resultat från Larsson (1999) och Gadd & Werner (2013b) användes för att kunna jämföra det faktiska förbrukningsmönstret i Bromma med övriga Sverige. Larssons data visade på betydligt jämnare dygnsvariationer i landet än de som visade sig för Bromma i Figur 6. Skillnaden från Figur 6 var främst att värmelasten inte dalar märkbart mellan morgontoppen och kvällstoppen, utan att det snarare framträder en platå i värmelast under hela dagen. Detta beror antagligen på att den sociala värmelasten från användning av tappvarmvatten skiljer sig baserat på byggnadsbeståndet i ett område. Att data från ett område som representeras väl av olika byggnadstyper ger upphov till jämnare variationer beror på att användningen av tappvarmvatten för den enskilde individen egentligen inte upphör under dagen. Däremot förflyttas användningen till exempelvis arbetsplatsen under dagtid vilket betyder att områden med relativt stora mängder bostadshus tappar värmelast under dagen, och då upplever toppar på morgon och kväll. Gadd & Werner (2013b) observerade liknande mönster som i Figur 6, men för ett odefinierat nät för vilket byggnadsbeståndet inte kunnat jämföras.
4.2 Signaturer
Kärnan i dataanalysen var tidsuppdelningen av kundernas effektsignaturer vilken gjordes genom att indata till den funktion som skapade signaturerna delades upp på tid och tidsspecifika signaturer togs fram för varje kund. Baserat på dessa signaturers parametrar togs tidsserier fram innehållande justeringsfaktorer. Då signaturberäkningar genomförs med tidsserierna anpassas signaturmodellen automatiskt till tid på dygnet och veckan.
33
Efter tidsuppdelningen av signaturerna utvärderades resultatet främst genom analys av residualerna som erhållits vid korsvalidering med ett datset från 2017. I denna analys sågs standardsignaturen som en modell och den uppdelade signaturen som en annan. För att undersöka en möjlig förenkling av en senare kundkategorisering gjordes även en modell som tidsuppdelades med avseende på parametrarna k och Tb, men inte Pb. Figur 9 illustrerar hur uppdelningen fungerar för mätpunkten från Figur 3, här är signaturen uppdelad mellan veckodag och helg.
Figur 9: Representation av en signatur som delats upp över veckodag och helg, plottad med standardsignaturen.
Figur 9 visar att signaturen skapad med indata för helger närmare följer dessa datapunkter precis som väntat. Även signaturen skapad med indata för veckodagar avviker tydligt från standardsignaturen, dock tycks den missa att följa trenden vid högre temperaturer. Anledningen till denna avvikelse är att byggnaden, i egenskap av att vara en skolbyggnad, är i ”helgläge” under skollov, vilka inte ingår under helger och röda dagar. Att inkludera skollov i kriteriet för uppdelningen av signaturer blir inte rättvisande för andra kunder som inte följer dessa mönster, och därför uppstår denna hämmande effekt för just skolor.