Rumo à previsão explicável de padrões de carga de calor para aquecimento urbano

Scientific Reports volume 13, Artigo número: 7434 (2023) Citar este artigo

562 acessos

Detalhes das métricas

As redes de calor desempenham um papel vital no setor energético, oferecendo energia térmica aos residentes de determinados países. O gerenciamento e a otimização eficazes das redes de calor exigem um conhecimento profundo dos padrões de uso de calor dos usuários. Padrões irregulares, como períodos de pico de uso, podem exceder as capacidades projetadas do sistema. No entanto, trabalhos anteriores negligenciaram principalmente a análise dos perfis de utilização de calor ou foram realizados em pequena escala. Para colmatar esta lacuna, este estudo propõe uma abordagem baseada em dados para analisar e prever a carga térmica numa rede de aquecimento urbano. O estudo usa dados de mais de oito estações de aquecimento de uma planta de cogeração DH em Cheongju, Coréia, para construir modelos de análise e previsão usando algoritmos de aprendizado de máquina supervisionado (ML), incluindo regressão vetorial de suporte (SVR), algoritmos de reforço e perceptron multicamadas (MLP). ). Os modelos tomam dados meteorológicos, informações de feriados e histórico de carga térmica horária como variáveis ​​de entrada. O desempenho desses algoritmos é comparado usando diferentes tamanhos de amostra de treinamento do conjunto de dados. Os resultados mostram que algoritmos de boosting, particularmente XGBoost, são algoritmos de ML mais adequados com erros de previsão mais baixos do que SVR e MLP. Finalmente, diferentes abordagens explicáveis ​​de inteligência artificial são aplicadas para fornecer uma interpretação aprofundada do modelo treinado e da importância das variáveis ​​de entrada.

O aquecimento urbano (DH) tornou-se uma infra-estrutura de fornecimento de energia crucial para fornecer eficazmente calor e arrefecimento aos consumidores nas últimas décadas1. A DH é superior em muitos aspectos em comparação com outras opções de fornecimento de energia, que incluem uma menor pegada de carbono, a integração de múltiplas fontes de calor e um elevado rendimento energético. As últimas quarta e quinta gerações de DH podem utilizar diversas fontes de calor, que incluem calor e energia combinados (CHP), caldeiras a gás, bombas de calor de fonte de água (HPs), HPs de fonte subterrânea e HPs baseadas em energia solar. A literatura recente concentrou-se mais no desenvolvimento de estruturas de simulação e abordagens eficazes no que diz respeito ao projeto e otimização de sistemas de DH em termos de fatores econômicos e energéticos, o que se deve ao rápido desenvolvimento de tecnologias de DH2,3. A tecnologia de armazenamento também é um tema importante, porque ajuda a dissociar a produção de calor e a demanda para aumentar a eficiência de AQ4. Os seguintes artigos1,5 foram revisados ​​para obter as informações mais recentes sobre redes DH.

A análise do padrão de utilização de calor torna-se cada vez mais essencial à medida que aumenta o número de utilizadores finais, porque tem um grande impacto na eficiência de toda a rede. Variações no comportamento de utilização de calor por parte dos consumidores levam a variações no padrão de utilização de calor de uma única subestação, o que é uma questão importante para uma gestão e operação precisas e eficientes de DH6. Por exemplo, a diferença substancial de temperatura entre o Verão e o Inverno influencia significativamente a procura de calor dos utilizadores. Além disso, a procura horária de calor também varia entre agregados familiares, o que provoca variação na procura de calor na subestação7.

Um quadro preciso de previsão da procura de calor é imperativo para gerir eficazmente as redes DH8. Primeiro, facilita a otimização da produção geral de calor, minimiza a perda de calor e otimiza os custos operacionais. Em segundo lugar, a temperatura de distribuição é fornecida num intervalo apropriado para prever a utilização de calor em tempo real utilizando o modelo de previsão da procura de calor. Como resultado, o número de estudos propostos no que diz respeito à previsão da procura de calor tem vindo a aumentar. Uma análise da procura de calor pode geralmente ser dividida em categorias baseadas em modelos e em categorias de correlação de dados9. A abordagem de correlação de dados depende principalmente da construção de correlações funcionais dos parâmetros de DH, a fim de desenvolver um perfil de utilização de calor para cada subestação ou edifício. A técnica baseada em modelo depende de algoritmos de aprendizado de máquina (ML) para aprender efetivamente os padrões representativos usando os dados históricos de carga térmica10. A abordagem de correlação de dados oferece maior precisão do que a abordagem baseada em modelo, mas é demorada e trabalhosa porque cada edifício/subestação tem um perfil único de utilização de calor que precisa ser construído. O desempenho do algoritmo de previsão do uso de calor baseado em modelo tornou-se significativamente melhor, devido aos enormes avanços na inteligência artificial (IA) e no big data nas últimas décadas9,10.