Sähkön kulutusennusteiden riippuvuussuhteiden tutkiminen ja toimintamallin kehittäminen

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu | Master's thesis
Date
2020-08-17
Department
Major/Subject
Sustainable Energy Systems and Markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
fi
Pages
97
Series
Abstract
Uusiutuvien sääriippuvaisten energiamuotojen lisääntyminen vaikeuttaa tuotannon ennakoitavuutta ja kasvattaa säätökykyisen kapasiteetin tarvetta. Säätövoiman tarve näkyy sähkömarkkinoilla suurempina tasesähkön hintaeroina, mikä voi aiheuttaa sähkön myyntiyhtiöille merkittäviä tasesähkökustannuksia. Merkittävin keino kustannuksilta suojautumiseen on tasevirheen minimointi, joka saavutetaan ostamalla vuorokausimarkkinoilta kulutusta vastaava määrä sähköä mahdollisimman tarkasti. Kulutusennusteiden tärkeys on tätä myötä kasvanut myyntiyhtiöiden liiketoiminnassa. Kulutusennusteet tehdään päivittäin seuraavalle vuorokaudelle tuntitasolla. Tarkan kulutusennusteen laatimiseksi on olennaista tunnistaa eri kulutuksen suuruuteen vaikuttavat tekijät, eli kulutusennusteiden riippuvuussuhteet. Lämpötila on yksi merkittävimmistä tekijöistä, joka vaikuttaa sähkönkulutukseen. Sen vaikutusta voidaan kuvata lämpötilakertoimen avulla, joka kertoo kulutuksen muutoksen määrän suhteessa lämpötilan muutokseen. Yleensä kerroin on negatiivinen, eli lämpötilan laskiessa kulutus kasvaa. Eri lämpötila-alueilla sekä vuorokaudenaikoina lämpötilakerroin ei välttämättä käyttäydy samalla tavalla. Kulutukseen vaikuttavia tekijöitä on useita muitakin. Toinen tekijä on esimerkiksi auringonsäteily, jonka merkitys kulutukseen korostuu erityisesti päivän tunneilla, jolloin kulutus saattaa laskea normaalia enemmän. Kulutuksen profiili ei myöskään pysy samana vuoden läpi, vaan muuttuu valoisuuden mukaan. Valoisuuden vaikutus voidaan todeta vertaamalla esimerkiksi talven ja kesän suhteellisia kulutuksia toisiinsa. Kulutusennusteiden laatimista varten voidaan hyödyntää monenlaisia ennustemalleja, jotka toimivat eri periaatteilla. Yleisiä käytössä olevia malleja ovat esimerkiksi regressioanalyysiin perustuvat mallit sekä aikasarjamallit. Osana tätä työtä tutkittiin kolmea eri ennustemallia. Jokaisen mallin laatimia ennusteita seurattiin kolmen kuukauden ajan, jonka jälkeen tuloksia verrattiin toisiinsa. Tehdyn analyysin pohjalta kehitettiin nykyistä toimintamallia ja ennusteprosessia eteenpäin. Jatkokehityskohteena nähdään erityisesti tekoälyn ja neuroverkkojen hyödyntäminen kulutuksen ennustamisessa. Muita tulevaisuuden kehityskohteita ovat pientuotannon ja sähköautojen lisääntymisen vaikutukset sekä kysyntäjouston hyödyntäminen.

The increasing amount of renewable and weather dependent energy sources make predicting production more challenging and increase the demand for balancing power. Demand for more balancing power has increased the regulating prices, which can cause major expenses for energy companies. Best way to avoid these expenses is to minimize balance deviation, which is achieved by buying the correct energy amount from Day Ahead market. This has increased the significance of load forecasting. Load forecasting is done daily for every hour of the next day. For accurate forecasting it is vital to identify different factors that affect electricity consumption. Temperature is one of the most important factors. Its impact can be illustrated with temperature coefficient, which tells how much the consumption changes as temperature changes. This coefficient is typically negative as when temperature decreases, consumption increases. Temperature coefficient can vary based on temperature and time of day. There are multiple other factors that affect consumption. One of these is for example global radiation, which has large impact especially during day hours causing the load to decrease more than normally. Load profile does not remain stable throughout the year, but changes based on brightness. This can be noticed by comparing the relative loads of summer and winter to each other. There are many different forecasting models that can be utilized when forecasting load, which all have different operating principles. Common models that are used include models based on regression analysis and time series models. As a part of this thesis, three different models were examined. Each model was monitored for three months and afterwards the results of the models were compared. Based on the analysis, the current operating model and forecasting process was developed further. Utilizing artificial intelligence and neural networks in load forecasting are seen as potential further research targets. Other future work may include the impact that is caused by increasing amount of small-scale production and electric vehicles as well as capitalizing of demand-side management.
Description
Supervisor
Lehtonen, Matti
Thesis advisor
Valkonen, Susanna
Keywords
sähkönkulutus, kulutuksen ennustaminen, ennustemalli, sähkömarkkinat, säätösähkö
Other note
Citation