Sähköyhtiön lyhyen aikavälin kulutusennusteen kehittäminen
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
2022-10-10
Department
Major/Subject
Sustainable Energy Systems and Markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
fi
Pages
72
Series
Abstract
Tässä diplomityössä pyrittiin kehittämään sähköyhtiön lyhyen aikavälin kulutusennustamista. Sähköyhtiön tulee tietää edellisen päivän aamupäivällä asiakkaidensa seuraavan päivän tunnittainen sähkönkulutus. Sähkömarkkinoiden rakenteista johtuen, tarkalla kulutuksen ja tuotannon ennustamisella on mahdollista saavuttaa merkittäviä kustannussäästöjä. Mikäli tuotanto- ja kulutusennusteet vastaavat toteutumia, voi sähköyhtiö minimoida altistumistaan tasesähkön hintariskille, kun tuotannon ja kulutuksen erotuksesta johtuva sähkön hankinta tai myynti voidaan toteuttaa vuorokausimarkkinalla tasesähkön sijaan. Näin ollen sähköyhtiöillä on taloudellinen kannustin pyrkiä mahdollisimman tarkkaan kulutuksen ennustamiseen. Työssä tutkittiin Vaasan alueen sähkönkulutusta vuosilta 2019-2021. Käytetyt tutkimusmetodit ovat kuitenkin sovellettavissa muidenkin alueiden kulutuksen ennustamiseen. Jakamalla asiakkaat pienempiin osaryhmiin pientuottajuuden ja sähkösopimustyyppien mukaan, pyrittiin saavuttamaan pienempi ennustevirhe verrattuna tilanteeseen, jossa kulutusta ennustetaan koko asiakasjoukolle aggregoidusti. Ennustevirheen mittarina käytettiin keskimääräistä prosentuaalista absoluuttista ennustevirhettä. Segmentoinnin lähtöoletuksena oli, että kuluttajien sähkönkulutus on riippuvaista omasta pientuotannosta ja käytössä olevasta sopimustyypistä. Kirjallisuuskatsauksen perusteella käytetyksi ennustemalliksi valikoitui usean muuttujan lineaarinen regressiomalli. Analysoimalla toteutuneita kulutuksia vuosilta 2019-2020 muun muassa kalenteri- ja lämpötilamuuttujien suhteen, luotiin benchmark-ennustemalli. Benchmark-mallia kehitettiin edelleen selittävien muuttujien määrää vaihtelemalla ja tarkastelemalla ennustevirheen käyttäytymistä. Regressiomallin kertoimia tulkitsemalla tehtiin puolestaan johtopäätöksiä sähkönkulutukseen vaikuttavista tekijöistä. Tulokset osoittavat, että muun muassa pyhäpäivillä vaikuttaisi olevan suuri merkitys sähkönkulutukseen. Lisäksi kulutus on vahvasti lämpötilariippuvaista, sillä pienilläkin lämpötilan muutoksilla näyttäisi olevan vaikutusta sähkönkulutuksen suuruuteen. Segmentoimalla asiakkaat pienempiin osaryhmiin saavutettiin vain hieman parempia ennustetuloksia verrattuna aggregoituun ennusteeseen. Pientuottajuuden mukaan segmentointi tuotti 0,04 prosenttiyksikköä pienemmän ennustevirheen. Sopimustyypeittäin segmentointi pienensi ennustevirhettä puolestaan 0,05 prosenttiyksikköä. Mikäli pientuotannon määrä lisääntyy merkittävästi tulevaisuudessa, on perusteltua olettaa, että kulutusennusteen laatiminen erikseen pientuottaja-asiakkaille voisi tuottaa parempia lopputuloksia verrattuna aggregoituun ennusteeseen.In this thesis, an effort was made to develop short-term load forecasting for an electricity company. Due to the structures of the electricity market, it is possible to achieve significant cost savings with accurate load forecasting, when the electricity company can minimize its exposure to imbalance energy price risk. Thus, electricity companies have a financial incentive to strive for the most accurate load forecasting. The thesis investigated the electricity consumption of the Vaasa region for the years 2019-2021. The research methods used are, however, applicable for load forecasting in other areas as well. By dividing customers into smaller sub-groups according to small-scale production and electricity contract types, the aim was to achieve a lower forecasting error compared to a situation where load is forecasted for the entire customer group aggregated. The reasoning behind the segmentation was that the customers' electricity consumption depends on their own small-scale production and the type of contract in use. Based on the literature review, a multiple linear regression model was selected as the forecasting model used. By interpreting the past loads from 2019-2020 with respect to calendar and temperature variables a benchmark load forecasting model was created. Model was further developed by varying the number of explanatory variables. By interpreting the coefficients of the regression model, conclusions were drawn about the factors affecting electricity consumption. The results show that, for example, public holidays seem to have a great impact on electricity consumption. By segmenting the customers into smaller subgroups, only slightly better forecasting results were achieved compared to the aggregated forecast. Segmentation by small-scale production decreased the mean absolute percentage forecasting error by 0,04 percent points, whereas segmentation by contract type de-creased the error by 0,05 percent points. However, if the amount of small-scale pro-duction increases significantly in the future, it is reasonable to assume that preparing a load forecast separately for customers with own small-scale production could pro-duce better results compared to an aggregated forecast.Description
Supervisor
Lehtonen, MattiThesis advisor
Mäkelä, MikaelKeywords
sähkömarkkinat, sähkönkulutus, kulutusennustaminen, regressioanalyysi