Tuntimittausdatan käyttö sähkökuorman ennustamisessa

Abstract

Tässä työssä tutkitaan sähkökuorman ennustamista regressionanalyysin avulla. Selittävinä tekijöinä käytetään lämpötilaa ja päivänpituutta. Vuoden mittainen tuntimitattua dataa sisältävä aineisto (1.7.2008 - 30.6.2009) saatiin Kainuun Energialta n. 1600 asiakkaalta ja se sisältää lähinnä kotitalouksien sähkönkulutusdataa; tehty ohjelma onkin pääasiassa suunniteltu kotitalouksien sähkönkulutuksen ennustamista varten.

Ohjelmalla voi analysoida pienten asiakasryhmien summakulutusta, jolloin voidaan ennustaa esimerkiksi yhden jakelumuuntajan kulutus. Tämän lisäksi voidaan käsitellä suuremman asiakasjoukon keskiarvoa; tätä käytetään lähinnä ohjelman testaamiseen. Koska lämpötilan vaikutus sähkönkulutukseen on epälineaarinen, vuosi jaetaan päiväryhmiin jotka käsitellään erikseen. Ryhmän sisällä oletetaan lineaarinen riippuvuus.

Regressioanalyysin antamat selittävien muuttujien kertoimet tarkistetaan automaattisesti ohjelmassa määriteltyjen periaatteiden mukaisesti, jotta ennustemalli olisi järkevä. Tämän lisäksi lasketaan residuaalien hajonta, jolloin voidaan antaa ennusteen lisäksi haluttu luottamustaso. Myös luottamustason käyttöä varten tarvittavaa normaalijakaumaoletusta sekä oletettua residuaalien riippumaattomuutta selittävistä tekijöistä tutkitaan.

Lopuksi verrataan ennustemallin antamia arvoja toteutuneeseen vuoden 2010 tammikuun kulutukseen. Tehtyjen testien perusteella ennuste toimii melko hyvin, mutta joitain kysymyksiä jäi vielä auki. Nämä liittyvät lähinnä tapaan käsitellä epälineaarisuus, sekä arvioon analysoitavan ryhmän minimiasiakasmäärästä.

The use of regression analysis for electrical load forecasting is investigated in this thesis. The explanatory variables are temperature and day length. The year long sample data containing the hourly measured consumption (1.7.2008 - 30.6.2009) of about 1,600 customers consists mainly of household electricity consumption data, and the created program is designed mainly for forecasting household electricity consumption.

The program can analyze the consumption of small groups, so we can predict, for example, the consumption of a distribution transformer. In addition, we can analyze the mean of a larger number of customers; this is used mainly for testing the program. Since the effect of temperature on electricity consumption is non-linear, the year has been divided into day groups, which are treated separately. Linear dependence is assumed within a group.

Regression coefficients for the explanatory variables are examined automatically in accordance with the defined principles, in order to get a reasonable forecast model. In addition, the standard deviation of the calculated residuals is calculated, so that we can present the desired confidence level. The required normal distribution assumption and the expected independence of the residuals from the explanatory variables have also been studied.

Finally, the forecast model is tested against the measured values from January 2010. The forecast model is fairly successful according to these tests, but some questions remain open. These relate mainly to the way to address non-linearity, as well as to a suitable estimate for the minimum number of customers in a group to be analyzed.