Estimating Energy Consumption of Electric Heating Appliances in Households
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2019-01-29
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
69 + 6
Series
Abstract
Electric heating appliances of residential buildings have great potential in balancing the power system as heating consumes the majority of household energy in cold regions and heating appliances can operate flexibly. In order to understand the demand side balancing potential of households in detail, appliance-level energy consumption data is required. This disaggregated energy consumption data can also help residents to achieve cost savings by reducing or shifting the operation time of the appliances. Disaggregating the total power consumption of a household into appliance-level loads is known as Non-Intrusive Appliance Load Monitoring (NIALM). Although NIALM has been an active field of research for over 30 years it seems challenging to achieve high accuracy estimates using low-rate power measurements, such as second level data from smart meters. Additionally, it seems that there has not been much focus on operating on data that contains densely switching events, such as electric radiator loads. As heating accounts for the majority of the energy consumption in Finnish residential buildings, electricity consumption data collected from Finnish households in the heating period is full of these short-period electric radiator loads. This thesis proposes a filtering procedure for simultaneously extracting and filtering the short-period electric radiator loads from the aggregated data. In addition to filtering, I propose an unsupervised event-based disaggregation method designed for detecting simple heating appliances and compare its performance to two different unsupervised disaggregation approaches presented in the literature. Evaluation against both real and generated data suggests that filtering detects electric radiator loads accurately and the proposed disaggregation method is robust in detecting appliances. Finally, I examine temperature correlation of the detected heating loads and discuss if outdoor temperature data could be used to improve identifying of electric heating appliances.Kotitalouksien sähkölämmityksellä on suuri potentiaali sähköverkon tasapainottamiseen viileän ilmaston alueilla, koska pääosa näiden alueiden asuntojen energiankulutuksesta syntyy lämmityksestä ja lämmitys on energiantarpeeltaan joustavaa. Ymmärtääkseen tarkemmin kotitalouksien sähkölämmityslaitteiden joustopotentiaalin täytyy tietää kunkin lämmityslaitteen energiankulutus. Laitekohtaisen energiankulutuksen ymmärtäminen voi myös auttaa asukkaita vähentämään sähkökuluja, jos tiettyjen laitteiden päälläoloaikaa vähennetään tai siirretään halvemmille tunneille. Kotitalouden kokonaissähkönkulutuksen jakaminen laitekohtaisiin kuormiin tunnetaan nimellä Non-Intrusive Appliance Load Monitoring (NIALM). Vaikka NIALM on ollut jo aktiivisena tutkimuskohteena yli 30 vuotta, vaikuttaa siltä, että tarkkoja estimaatteja on vaikea saada käytettäessä karkeampijakoisia mittauksia, kuten älymittareiden mahdollistamia sekuntitason tehomittauksia. Lisäksi vaikuttaa siltä, että tiheästi tehoa muuttavien kuormien, kuten sähköpattereiden, erottamista kokonaiskulutusdatasta ei ole tutkittu paljon. Koska lämmitys muodostaa suuren osan suomalaisten kotitaloksien energiankulutuksesta, suomalaisten asuntojen kokonaiskulutuskäyrä on täynnä näitä lyhytjaksoisia sähköpatterikuormia. Tässä diplomityössä esittellään suodatusmenetelmä, joka samanaikaisesti erottaa sähköpatterikuormat kokonaiskulutuksesta ja suodattaa datan. Lisäksi esittelen kokonaiskulutuksen tehonmuutoksiin pohjautuvan algoritmin, joka on suunnattu sähkölämmityskuormien tunnistamiseen ilman etukäteistietoa kotitaloudesta. Työn menetelmää verrataan kahteen kirjallisuudessa esitettyyn menetelmään. Oikean ja generoidun sähkönkulutusdatan perusteella vaikuttaisi siltä, että työn suodatusmenetelmä tunnistaa sähköpatterikuormat hyvin ja lämmityslaitteiden erotusmenetelmä vaikuttaa robustilta muihin menetelmiin verrattuna. Lopuksi tutkin sähkölämmityskuormien ulkolämpötilakorrelaatiota ja pohdin, voiko lämpötilamittaukset parantaa vaikeasti erotettavien lämmityslaitteiden tunnistusta.Description
Supervisor
Leskelä, LasseThesis advisor
Rantaniemi, JuhaniKeywords
disaggregation, NIALM, unsupervised, electric heating