Älykäs kaukolämpö Risto Lahdelma Yhdyskuntien energiatekniikan professori Insinööritieteiden korkeakoulu Aalto-yliopisto risto.lahdelma@aalto.fi 1
Älykäs kaukolämpö Lähtökohtana älykkyyden lisäämiseen on (lähes) reaaliaikainen etäluentatieto Verrattuna aikaisempaan, mittaustiedot saadaan nyt mittaustietokantaan lähes reaaliaikaisesti ja tuntitasolla Etäluettu korvaa aikaisemmin manuaalisesti luetut mittaustiedot Lisäksi entistä tarkempaa ja ajantasaisempaa mittaustietoa voidaan hyödyntää monella uudella tavalla Aalto-yliopiston Energiatekniikan laitoksella on meneillään ET:n rahoittama tutkimushanke Etäluentatiedon käyttö kaukolämpöjärjestelmän hallinnassa liittyy laajempaan TEKES:n rahoittamaan RICEStutkimushankkeeseen: Realignment of Industrial and Community Energy Systems to meet climate policy targets 2
Etäluentatiedon käyttö kaukolämpöjärjestelmän hallinnassa Etäluentatiedon mahdollisia käyttötapoja Mittausten oikeellisuuden varmistaminen ja mittausvirheiden automaattinen korjaaminen Verkoston kunnon seuranta ja vikatilanteiden havaitseminen Kulutuksen tarkempi adaptiivinen ennustaminen Tarkempi tuotannon suunnittelu ja ohjaus Järjestelmän mitoittaminen ja kehittäminen 3
Mittausten oikeellisuuden varmistaminen ja mittausvirheiden automaattinen korjaaminen Kun kun kaikki kulutukset mitataan tuntitasolla, voidaan verkoston tila (virtaukset, paineet, lämpötilat) estimoida tarkasti Kyseessä on nk ylideterminoitu järjestelmä, jossa on mittauksia paljon enemmän kuin estimoitavia suureita Taselaskennalla voidaan selvittää onko mittauksissa virhettä Virhettä on tietysti aina, mutta estimointitekniikoilla voidaan arvioida virheiden suuruus ja paikantaa merkittävät virheet Least squares estimointitekniikka ja Kalman-suodin ovat mahdollisia tekniikoita Kun virheellinen mittaus on paikannettu, voidaan se poistaa estimointimallista ja estimoida sille todennäköisin lukema 4
Verkoston kunnon seuranta ja vikatilanteiden havaitseminen Tyypillisiä vikatilanteita Vuodot, sulkuventtiilit väärässä asennossa, pumput epäkunnossa Estimointimallia voidaan myös käyttää kunnon seurantaan ja vikatilanteiden havaitsemiseen Erityisesti syklejä sisältävissä verkostoissa on vikojen paikantaminen hankalaa Ylimääräiset mittaukset auttavat vikojen paikantamisessa 5
Kulutuksen tarkempi adaptiivinen ennustaminen Tuntitason historiatietojen avulla voidaan muodostaa yksittäisille kuluttajille kulutuksen ennustusmalli Kulutusennuste voi tyypillisesti perustua ajankohtaan (vuosirytmi, viikkorytmi, vuorokausirytmi) säätilaan (lämpötila, tuulen nopeus ja suunta) Vuodot, sulkuventtiilit väärässä asennossa, pumput epäkunnossa Koostamalla alueittainen tai koko järjestelmän ennuste yksittäisten kuluttajien ennusteista voidaan ottaa paremmin huomioon tehojen risteily muutokset kulutuskohteissa 6
Tarkempi tuotannon suunnittelu ja ohjaus Tarkemmat ja eri verkoston osille eritellyt kulutusennusteet mahdollistavat eri tuotantolaitosten tuotannon optimoinnin tarkemmin verkoston ajamisen optimaalisemmin sulkuventtiilien korvaaminen taajuussäädettävillä pumpuilla tuo vielä lisää etua (parempi säädettävyys) Lämpövarastojen parempi hyödyntäminen DSM Demand Side Management 7
Järjestelmän mitoittaminen ja kehittäminen Nykyiset järjestelmät ovat usein melko paljon ylimitoitettuja riittävä varakapasiteetti on toki tarpeen sekä tuotannossa että verkostossa Kun kulutus ja sen risteily tunnetaan paremmin, voidaan järjestelmä mitoittaa tarkemmin verkoston ylikapasiteetti voi mahdollistaa esim huippulämpötilan alentamisen 115 o C 80 o C 8