Eget projekt

Mål

Ett mindre energibolag har bett konsulten att städa data för eventuella extrem- eller saknade värden, analysera data, visualisera och förklara insikter samt göra rekommendationer. En av huvudmålen för fjärrvärmeoperatören är att identifiera hur mycket de kunde minskat framledningstemperaturen från källan under denna period för att minska förlusterna.

Konsulten erhåller data med inmätningar på temperatur och flöde, från 5 olika mätpunkter över ett helt år.

Lägsta framledningstemperatur hos kunden är 60°C.

Visualisering av data innan filtrering, notera att station 2 har extremvärden av 1000°C respektive 0°C, station 3 är avstängd eller funkar felaktigt, station 4 stänger av under sommaren.

Efter filtrering av extremvärden återstående avvikande värden.

Genomförande

Inleder med inläsning av data i Python och plottar dessa för visuell granskning. Konstaterar att datan innehåller både extremvärden och driftdata med brus.

Identifiering och filtrering av data genom att applicera a) fysiskaliska regler och b) fjärrvärmeoperatörens driftregler -> sätt dessa värden till NaN.

Därefter identifiera extremvärden genom att applicera ett glidande medelvärde över 24 timmars fönster -> sätt dessa värden till NaN

Omräkna (resample) från 15 minuters intervall till timbaserat.

Uträkning av förluster genom att räkna ut skillnaden på framledningstemperaturen från källan och respektive mätpunkt, ΔT.

Ytterligare filtrering av ΔT för extremvärden eller värden som går emot termodynamiska lagar, små negativa sätts till 0, övriga sätts till NaN.

Slutligen beräknas ΔT_max, den maximala värmeförlusten i nätverket, genom att ta max värdet för varje timme från samtliga mätpunkter.

Lägsta möjliga framledningstemperatur per timme är således önskad temperatur hos mottagare (60°C) + ΔT_max.

Temperaturbesparingarna är således skillnaden mellan faktiskt framledningstemperatur och lägsta möjliga framledningstemperatur.

I.e. om största förlusterna i en timme är 8°C är lägsta möjliga framledningstemperatur 68°C

I.e. Temperaturbesparingen för motsvarande timme då framledningstemperaturen från källan var 78°C är således 10°C (78°C – 68°C)

Omvandla (resample) till ett intervall som lämpar sig kundens system, i detta fall veckovis.

Giltlig data, 15 min intervall, efter filtrering för fortsatta beräkningar

Resultat som visar hur förlusterna i nätet förändras veckovis under året, lägsta teoretiska framledningstemperatur och slutligen skillnaden mot den faktiska framledningstemperaturen. Som den visar finns potential för störst besparingar under de kallare månaderna. Intressant nog är också att förlusterna i nätet ökar under april-juli och september-november.

Resultat

Som väntat uppnås de högsta besparingarna under de kyligare månaderna av året. Enligt datan överhettar operatören nätet och skulle kunna sänka framledningstemperaturen avsevärt främst under Januari och December.

Det noteras också att det finns en betydande besparingspotential under sommaren också då kunder kopplar sig från nätet och värmebehovet generellt sjunker. Enligt data justerar operatören inte sin produktion med hänsyn till dessa förändringar hos kund, vilket visas med ökande förluster i nätet under dessa månader. I nätet saknas ackumulatortankar och i ett nästa steg skulle det vara intressant att studera hur utbyggnaden av nätet med en skulle kunna bidra till ytterligare optimering genom att jämna ut produktion och efterfrågan.

Förlusterna är störst hos de kunder som ligger längst ifrån källan, vilket är rimligt men vid närmare undersökning av flödet hos dessa noteras det vara signifikant lägre än andra kunder. Det skulle vara intressant att följa upp med en studie ifall utbyggnaden av nätverket med en pump skulle kunna möjliggöra än fler besparingar.

Slutligen identifieras en besparingspotential per månad enligt 5-percentilen som presenteras i tabellen till höger.

Månad	Besparing [°C]
Januari	11
Februari	6
Mars	6
April	5
Maj	5
Juni	5
Juli	5
Augusti	5
September	5
Oktober	5
November	7
December	10