Brug af meteorologiske prognoser til beregning af varmeforbrugsprognoser

Transkript

1 Brug af meteorologiske prognoser til beregning af varmeforbrugsprognoser Henrik Aa. Nielsen & Torben S. Nielsen 1 Henrik Aalborg Nielsen Torben Skov Nielsen A/S

2 Oversigt Afgrænsning af præsentation. Hvorfor er opgaven ikke helt simpel? Forbrugets karakteristika og model heraf. Typer af meteorologiske forudsigelser m.v. Årsager til fejl i lastprognoser. Avancerede prognose produkter. Afrunding. Henrik Aa. Nielsen & Torben S. Nielsen 2

3 Ser her bort fra praktiske aspekter Præprocessering (check og aggregering) af målinger. Håndtering af dataflow (målinger, met. forudsigelser, osv.) operationelt. Brugergrænseflade. Monitorering af performance. Alt dette er vigtigt i praksis! Henrik Aa. Nielsen & Torben S. Nielsen 3

4 Meteorologisk prognose => varmebehov Er der en (lille) systematisk fejl i den meteorologiske prognose? Ændres denne ved opdateringer? Hvordan tilvejebringes modellen af varmebehov? Hvilken meteorologisk prognose skal man vælge / skal man bruge flere meteorologiske prognoser? Hvordan håndteres fejl i den meteorologiske prognose? Meteorologisk prognose Model for varmebehov Forudsigelse af last Henrik Aa. Nielsen & Torben S. Nielsen 4

5 Karakteristika for varmeforbrug Uge / døgnvariation. I fyringssæsonen afhænger varmelasten desuden af vejret (temperatur, solindfald, vindhastighed). Pga. forbrugernes forskellige præferencer sker der en blød overgang forår og efterår. Henrik Aa. Nielsen & Torben S. Nielsen 5

6 Døgnprofiler: Adfærd Vindue: Hurtig klimapåvirkning Mur: Langsom klimapåvirkning Meteorologiske prognoser til beregning af varmeforbrug, Fjernvarmens Hus, 18/ Model for varmebehov Forbrug i geografisk veldefinerede net / delnet. Modelstruktur baseret på fysik / brugeradfærd. Løbende kalibrering i.f.t. faktisk forbrug og evt. målinger af udetemperatur fjerner systematiske fejl. Ude Inde Henrik Aa. Nielsen & Torben S. Nielsen 6

7 Typer af meteorologiske prognoser Almindelige prognoser: En værdi / punkt for hvert tidspunkt indenfor horisonten. 2-4x dagligt (eller mere), op til 10 dage. Måneds ens. prognoser: Ugentlige anormaliteter. 2x ugentligt. Ensemble prognoser: Et antal værdier (51) / punkt for hvert tidspunkt indenfor horisonten. 2x dagligt, op til 15 dage. Sæson ens. prognoser: Månedlige anormaliteter. 1x månedligt. Henrik Aa. Nielsen & Torben S. Nielsen 7

8 Kombination af flere prognoser Met. prog. 1 Met. prog. 2? Met. prog.? Målinger Brug den bedste? Brug gennemsnittet? Brug et vægtet gennemsnit? Henrik Aa. Nielsen & Torben S. Nielsen 8

9 Eksempel: Korrelation med målt temp. Almindelig prognose modtaget 2 gange dagligt for en horisont på 14 dage. Ensemble middel for en månedsforudsigelse modtaget 1 gang ugentligt. Sammenlignes ved altid at tage senest tilgængelige prognose. Henrik Aa. Nielsen & Torben S. Nielsen 9

10 Optimalt vægtet gennemsnit Henrik Aa. Nielsen & Torben S. Nielsen 10

11 Fejl i den meteorologiske prognose Henrik Aa. Nielsen & Torben S. Nielsen 11

12 Afspejles i usikkerhedsbånd på lastprog. Henrik Aa. Nielsen & Torben S. Nielsen 12

13 Hvor kommer usikkerheden fra? Som eksemplificeret ved foregående plot kommer størsteparten af usikkerheden fra den meteorologiske prognose. Der er tilfældig variation mellem forbrugere, men det udjævnes når større grupper betragtes. Udsagnet forudsætter også at der løbende kalibreres til lastmålinger. Små tilfældige variationer over kort tid (pga. styringen?) er ikke prædikterbare. Henrik Aa. Nielsen & Torben S. Nielsen 13

14 % Meteorologiske prognoser til beregning af varmeforbrug, Fjernvarmens Hus, 18/ Performance opgjort pr. dag (eksempel 1) Fokus på lange horisonter. Mean Absolute Error (MAE). Bias. % af gns. forbrug. Kun data for fyringssæsonen. Henrik Aa. Nielsen & Torben S. Nielsen 14

15 % Meteorologiske prognoser til beregning af varmeforbrug, Fjernvarmens Hus, 18/ Performance opgjort pr. dag (eksempel 2) Fokus på korte horisonter. Mean Absolute Error (MAE). Bias. % af gns. forbrug. Kun data for fyringssæsonen. Henrik Aa. Nielsen & Torben S. Nielsen 15

16 Usikkerhed / scenarier Scenarier skal også være korrekt korreleret over tid og mellem områder. Henrik Aa. Nielsen & Torben S. Nielsen 16

17 Anvendelse af usikkerhed / scenarier Vigtigt når udgiften til fejl ikke er symmetrisk. Eksempler: Hold fremløbstemperaturen lav, men høj nok til at dyr kedelproduktion undgås i passende omfang. Sælg varmebunden elproduktion under hensyntagen til en eventuelt forventet asymmetri i ubalancepriser e.lign. Afbalancer flow ift. pumpeudgift og lav fremløbstemperatur. Henrik Aa. Nielsen & Torben S. Nielsen 17

18 Afsluttende bemærkninger Håndtering af små systematiske fejl i meteorologiske prognoser. Kombination af meteorologiske prognoser forbedre performance. Model for varmebehov kalibreres løbende. Fejl i den meteorologiske prognose er den dominerende årsag til fejl i last prognosen. Avancerede prognose produkter kan have sin berettigelse ved asymmetrisk udgift til fejl. Henrik Aa. Nielsen & Torben S. Nielsen 18

19 PRESS De skitserede metoder er implementeret i PRESS (PRognose- og EnergiStyringsSystem) oprindeligt udviklet på DTU og efterfølgende hos. Automatisk system til lastforudsigelse, temperaturoptimering og produktionsoptimering. Systemintegratorer, i særlig grad COWI, står for den praktiske opsætning og integration. Henrik Aa. Nielsen & Torben S. Nielsen 19

20 Tak for opmærksomheden! Henrik Aa. Nielsen & Torben S. Nielsen 20