Sähkönkulutuksen tuntimittauksien hyödyntäminen tyyppikäyrien muodostamiseksi
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2020-05-18
Department
Major/Subject
Electrical Power and Energy Engineering
Mcode
ELEC3024
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
fi
Pages
101
Series
Abstract
Sähkönkulutuksen pitkän aikavälin ennustaminen toimii sähköverkon strategisen suunnittelun lähtökohtana. Perinteisten kuormitusmallien maantieteelliseen sijaintiin sidottu luonne, liittymäsopimusten tekemisen ajoilta peräisin olevat asiakastyyppitiedot ja ainoastaan tammikuun lämpötilariippuvuuskertoimien käyttö virheellisesti koko vuodelle ovat perinteisille kuormitusmalleille ominaisia piirteitä. Sähkönkäytön ennustamiseen liittyvien epävarmuustekijöiden minimoimiseksi on syytä luoda uusia verkkoyhtiökohtaisesti määritettyjä alueellisia kuormitusmalleja. Työssä muodostettiin uudet sähkönkulutuksen indeksisarjat eli tyyppikäyrät asiakkaiden pitkän aikavälin sähkönkäytön mallintamiseksi. Tyyppikäyrät luotiin käyttämällä sähkönjakeluyhtiö Kajave Oy:n toimittamia tuntitasolla mitattuja käyttöpaikkakohtaisia kahden vuoden tuntimittauksia perinteisissä malleissa käytetyn arvioidun vuosienergian sijaan. Asiakkaat ryhmiteltiin tuntimittausten perusteella kuluttajaryhmiin. Indeksisarjat muodostettiin erikseen jokaiselle ryhmittelyn tuloksena saadulle kuluttajaryhmälle. Näin muodostettuja tyyppikäyriä verrattiin arviotarkkuuden osalta Kajavella nykyisin käytössä oleviin kuormituskäyriin eli tyyppikäyriin ja todelliseen vuoden 2019 tuntimittausten vertailudataan, jota ei käytetty indeksisarjojen luonnissa. Tämän perusteella tehtiin johtopäätökset siitä, kumpi indeksisarjoista mallintaa todellista tuntimittausten vertailudataa paremmin. Työn tavoitteena oli parantaa ja tarkentaa Trimblen järjestelmien tehonjakolaskennan ja keskeytyksestä aiheutuneen haitan laskennan (KAH) antamia tuloksia. Työn tuloksien perusteella voidaankin sanoa, että uusista indeksisarjoista lasketut tuntitehot mallintavat Kajavella nykyisin käytössä olevia indeksisarjoja paremmin todellista tuntimitattua kulutusta ja ovat potentiaaliset tarkentamaan järjestelmien tehonjako- ja KAH-laskennasta saatavia tuloksia. Uusien indeksisarjojen käyttöönotto vaatii kuitenkin lisätutkimusta, koska ryhmittelyn ulkopuolelle jätettyjen käyttöpaikkojen lukumäärä oli suuri. Tekoälyn avulla voitaisiin määrittää ryhmittelyn ulkopuolelle jätetyille käyttöpaikoille sopivin neljästä muodostuneesta kuluttajaryhmästä ja laskea indeksisarjoista tällaisille käyttöpaikoille tuntitehot, joita verrattaisiin todelliseen tuntimittausten vertailudataan. Mikäli mallinnus toimisi paremmin myös tässä tapauksessa verrattuna käytössä oleviin indeksisarjoihin, uudet indeksisarjat voitaisiin ottaa käyttöön.Long-term electricity consumption forecasting serves as a starting point for strategic grid planning. The dependence from geographic location, old customer type data and temperature dependence coefficients of January incorrectly used throughout the year alone are all characteristics of traditional load models. In order to minimize the uncertainties associated with electricity use forecasting, new regional load models should be created for each network operator. New electricity consumption index series were created in the thesis to model long-term electricity consumption of customers. The load curves were generated using hourly measured two-year data received from the electricity distribution company Kajave Oy instead of using estimated annual energy of customers. Customers were grouped into consumer groups based on hourly measurements. Index series were created separately for each consumer group resulting from the grouping. The load curves generated in this way were compared to the current load curves in use in Kajave and to the actual hourly measurement data of year 2019. The goal of this thesis was to improve and refine the results of the load flow calculation and customer interruption cost calculation (CIC) of the Trimble systems. Based on the results of the thesis, it can be said that the hourly powers calculated from the new index series better model the actual hourly consumption than the index series currently in use in Kajave. The new index series have the potential to improve accuracy of the load flow calculation and CIC calculation of the systems. However, the introduction of the new index series will require further study due to the large number of excluded customer points. Artificial intelligence could determine the most appropriate of the four consumer groups formed for non-grouped customers. After that, the calculated hourly powers from the index series would be compared to the actual hourly measured data. If modeling worked better in this case as well, the new index series could be introduced.Description
Supervisor
Lehtonen, MattiThesis advisor
Haikonen, JuhaKeywords
AMR, klusterointi, KAH, tehonjakolaskenta, tuntimittaus, K-means