Forudsige optimal fremløbstemperatur i transmissionssystemet CTR

Centralkommunernes Transmissions Selskab (CTR) har igennem et AI Camp-forløb undersøgt, hvorvidt anvendelsen af allerede-eksisterende data og maskinlæring, kan forudsige optimal fremløbstemperatur.

Opsummering

Projektet

Centralkommunernes Transmissions Selskab (CTR) er ansvarlig for miljøvenlig fjernvarme forsyning i hovedstadsområdet. Som en del af deres DNA, stræber CTR på at levere grønnere og mere klimaneutral fjernvarme, og i den bestræbelse søger de altid at blive bedre i morgen. Gennem en AI camp ønskede CTR at undersøge, hvorvidt allerede eksisterende data kan bruges til at forudsige optimal fremløbstemperatur i transmissionen.
Målet er, at undersøge om en maskinlæringsmodel kan forudsige optimal fremløbstemperatur, således at den bedste el-virkningsgrad, samt forsyningsleverance sikres, ved den lavest mulige temperatur.
Udfordringen ligger i kompleksiteten af fjernvarme. Modellen skal kunne tage højde for de naturlige hydrauliske begrænsninger, der eksisterer i tranmissionssystemet samt, at varmen kan blive produceret og leveret ind i nettet fra forskellige vekslere, hvilket betyder, at varmen kan leveres fra multiple kilder. Det er derfor ikke muligt at isolere en strækning 100%, uden at man mister information, som er nødvendig for forudsigelsen.

Fjernvarme er kritisk infrastruktur, og har forsyningspligt.
CTR har derfor pligt til at levere varmt vand til sine kunder i hovedstadsområdet. En maskinlæringsmodel som skal forudsige den optimale fremløbstemperatur, må altså ikke sætte forsyningspligten over styr ved at forudsige for lave temperaturer. Men samtidig skal den heller ikke forudsige for høj fremløbstemperatur, da CTRs mål er at optimere fremløbstemperaturen, således at der ikke overproduceres varme, som ikke anvendes i nettet af deres kunder. Hvis fremløbstemperaturen kan sænkes i nettet, uden at påvirke forsyningspligten, vil det være muligt for CTR at udnytte klimavenlige forbrændingsmetoder, samt reducere CO2 udledningen. Endelig vil det resulterer i en endnu billigere fjernvarme for CTRs kunder i hovedstadsområdet.

Takket være det tætte samarbejde med domæne eksperter fra CTR, har det været muligt at identificere de rette datakilder, som kan bruges til at forudsige optimal fremløbstemperatur.
Teamet fra CTR har været gode til at sætte Neurospaces ML Engineers ind i kompleksiteten således, at de har de bedste forudsætninger for, at forstå dataen og hvordan den arter sig ved normale omstændigheder. Dette gør det muligt for vores ML Engineers at identificere vigtige perioder i dataen, som enten kan bruges til labeling af en maskinlæringsmodel, eller identificere perioder som arter sig atypisk.

Det historiske data fra CTR har overordnet en høj kvalitet.
Den høje kvalitet på data, samt den hurtige fremsendelse heraf, har ligeledes givet vores ML Engineers god tid til at verificere dataen, finde et label, og udarbejde maskinlæringsmodeller. Således blev to maskinlæringsmodeller udarbejdet under Parathedsvurderingen og testet, således at en business case kunne identificeres.

Forudsige optimal fremløbstemperatur

Med kyndig vejledning fra CTR teamet om de hydrauliske begrænsninger i nettet, var det muligt at isolere data og skabe en maskinlæringsmodel, som kan forudsige optimal fremløbstemperatur 12 timer frem.
Modellen er særlig vigtig i skulderperioderne (forår og efterår), hvor vejret er særlig omskifteligt og fjernvarme skal vurderer, hvornår temperaturen skal skrues op/ned for. Den udarbejdede model er blevet verificeret af CTR via noget test data over en skulderperiode, og dens forudsigelser er blevet valideret af CTRs eksperter. I den givne testperiode på 14 dage var det muligt at reducere fremløbstemperaturen med gennemsnitlig 5.4 grader.

Forudsige hydrauliske begrænsninger

For at sikre, at den ovenstående maskinlæringsmodel ikke laver forudsigelser som overstiger de hydrauliske begrænsninger i nettet, har vores ML Engineers udarbejdet endnu en maskinlæringsmodel, som forudsiger hvilken påvirkning den forudsagte fremløbstemperatur har på deltatrykket.
Denne maskinlæringsmodel skal fungerer som en vagthund for den første maskinlæringsmodel, og dermed sikre sig, at den ikke kommer med en forudsigelse, som giver en for lav fremløbstemperatur, og dermed gambler med forsyningspligten til kunderne i hovedstadsområdet. De to modeller vil sammen sikre, at der leveres en optimal fremløbstemperatur, som er sænket i skulderperioden, men ikke bringer forsyningspligten i fare.

Over tid vil de udarbejdede maskinlæringsmodeller forårsage, at der kommer mere historisk data der repræsenterer optimal fremløbstemperaur, hvilket vil give endnu bedre og mere præcise forudsigelser fra maskinlæringsmodellerne.