Analiza danych pomiarowych oraz prognozy produkcji energii cieplnej przez kolektory słoneczne – Część 2

Statistical analysis of measurement data and forecats of thermal energy generation by system of solar collectors – part 2
arch. redakcji

W artykule zawarto dalszą część analizy statystycznej danych z monitoringu systemu kolektorów słonecznych (cz. 1 w RI 6/2015) oraz wyniki krótkoterminowych prognoz produkcji energii cieplnej.

Ciąg dalszy artykułu...

W odniesieniu do danych „data i czas” należy zwrócić uwagę, że para danych „godzina wschodu i zachodu słońca” może być wykorzystana, żeby model prognostyczny automatycznie podawał wartość produkcji ciepła w danej godzinie równą zero, w przypadku gdy godzina ta jest poza okresem pomiędzy wschodem a zachodem słońca.

Alternatywnie informację tę można zakodować, podając średnią wartość produkcji ciepła w godzinie prognozy np. dla danego miesiąca.

Dane „miesiąc prognozy” lub „średnia wartość produkcji ciepła w miesiącu” powinny być istotne z uwagi na bardzo silną zmienność wielkości i częstotliwości produkcji w zależności od miesiąca (pory roku).

Z kolei dane „godzina prognozy” lub „średnia wartość produkcji ciepła w godzinie prognozy” powinny być istotne z uwagi na bardzo silną zmienność godzinowej produkcji ciepła w zależności od pory dnia.

W odniesieniu do „danych meteorologicznych” wydaje się, że istotne może być uwzględnienie prędkości wiatru (kierunek i wartość) – z uwagi na fakt, że wielkość godzinowej produkcji ciepła przy danej temperaturze i wielkości natężenia promieniowania słonecznego nie jest taka sama.

Czynnikiem, który wpływa na zmienność wielkości produkcji, wydaje się być prędkość wiatru (niestety hipoteza ta nie została zweryfikowana z uwagi na brak danych). Wiadomo natomiast, że dodatkowe osłonięcie kolektora słonecznego przed ochładzającym działaniem wiatru wpływa na jego sprawność (rośnie produkcja ciepła).

Współczynnik korelacji pomiędzy temperaturą zewnętrzną i natężeniem promieniowania słonecznego wyniósł 0,533. Wydaje się, że wartość ta nie jest na tyle wysoka, żeby eliminować temperaturę zewnętrzną ze zbioru potencjalnych danych wejściowych modelu prognostycznego.

Obie dane meteorologiczne są zalecane do wykorzystania. Natomiast w odniesieniu do „danych pomiarowych z kolektora słonecznego” – współczynnik korelacji pomiędzy wielkością przepływu a natężeniem promieniowania słonecznego jest stosunkowo wysoki (0,715), co sprawia, że warto rozważyć eliminację z potencjalnych danych wejściowych modelu prognostycznego wartości godzinowej przepływu (natężenie promieniowania słonecznego ma wyższy współczynnik korelacji z godzinową produkcją ciepła).

Współczynnik korelacji pomiędzy godzinową produkcją ciepła a temperaturą czynnika dostarczanego z kolektora wynosi 0,656, co jest wartością stosunkowo wysoką, ale wysoki jest również współczynnik korelacji pomiędzy temperaturą czynnika dostarczanego z kolektora a natężeniem promieniowania słonecznego – 0,673. Należy więc rozważyć ewentualne wyeliminowanie danych „temperatura czynnika dostarczanego z kolektora”. Opóźnienie „godzinowej produkcji ciepła” to wartości będące wielokrotnością liczby 24.

Dobór liczby tych danych należy przeprowadzić eksperymentalnie (w tym analizę autokorelacji cząstkowych). Należy zwrócić uwagę, że im więcej danych opóźnionych będących wielokrotnością liczby 24 zostanie uwzględnionych w modelu prognostycznym, tym mniejsze znaczenie może mieć „średnia wartość produkcji ciepła w godzinie prognozy” (ewentualne pominięcie tych danych).

Przykładowe prognozy produkcji ciepła z wyprzedzeniem 1 godziny

Liczba metod i modeli prognostycznych stosowanych w prognozach krótkoterminowych w energetyce jest bardzo duża. Obszerny przegląd takich metod zawiera publikacja [3], a informacje o zastosowaniach metod sztucznej inteligencji w energetyce publikacja [4]. (rys. 7)

Rys. 7. Przykładowe prognozy (zakres weryfikacji) produkcji energii cieplnej z horyzontem 1 godziny przy użyciu kilku wariantów i modeli sztucznych sieci neuronowych [8]
Rys. 7. Przykładowe prognozy (zakres weryfikacji) produkcji energii cieplnej z horyzontem 1 godziny przy użyciu kilku wariantów i modeli sztucznych sieci neuronowych [8]

 

W odniesieniu do prognoz produkcji ciepła w kolektorze słonecznym liczba takich badań jest stosunkowo niewielka (przykładem może być opracowanie [5]). Znacznie częściej prognozowana jest wielkość produkcji energii elektrycznej w systemach fotowoltaicznych. Tego typu badania prognostyczne oraz dobór zmiennych do modeli prognostycznych opisano np. w [6, 7].

Do prognoz produkcji ciepła z wyprzedzeniem 1 godziny wykorzystano w badaniach kilka metod – od najprostszej metody naiwnej do zaawansowanej metody wykorzystującej sztuczną inteligencję. Poniżej opisano pokrótce poszczególne metody oraz modele.

1. Metoda naiwna – wartość zmiennej prognozowanej uzyskuje się na zasadzie przypisania wartości zmiennej z okresu poprzedzającego prognozę (t–1) jako wartości prognozowanej. Metodę tę stosuje się, kiedy nie występują wahania przypadkowe. Metoda naiwna charakteryzuje się prostotą oraz łatwością zastosowania ze względu na zależność prognozy od zmiennej poprzedzającej prognozę [8].

2. Model średniej ruchomej prostej i ważonej – wykorzystywany jest jako narzędzie do wygładzania szeregu czasowego oraz do prognozowania. Wyznaczanie kolejnych wartości zmiennej prognozowanej odbywa się na podstawie obliczenia średniej arytmetycznej dla określonej liczby elementów (model średniej ruchomej prostej) lub przez przypisanie wag do kolejnych wartości (model średniej ruchomej ważonej).

3. Model autoregresji – wartość zmiennej prognozowanej obliczana jest na podstawie wartości poprzedzających zmiennej prognozowanej oraz składnika losowego.

4. Model regresji wielorakiej – do oszacowania wartości zmiennej prognozowanej wykorzystuje się zarówno zmienne objaśniające endogeniczne (szereg czasowy prognozowany), jak i egzogeniczne (dane meteorologiczne i inne dodatkowe dane pomiarowe).

5. Sztuczna sieć neuronowa typu perceptron wielowarstwowy – to uniwersalne narzędzie należące do metod sztucznej inteligencji (nieliniowy estymator), doskonałe do prognoz krótkoterminowych, wykorzystujące zarówno zmienne endogeniczne, jak i egzogeniczne. Sieć neuronowa uczy się poprzez sekwencyjne podawanie jej kolejnych zestawów informacji w postaci danych wejściowych (zmienne objaśniające) oraz wyjściowych (prognoza – zmienna objaśniana). Poprawnie nauczona sieć neuronowa ma zdolność do uogólniania – potrafi generować prognozę na podstawie nowych danych wejściowych, wcześniej nie­pre­zentowanych sieci.

Dane wykorzystane do prognozowania podzielono na te z zakresu estymacji parametrów modelu oraz z zakresu weryfikacji jakości prognoz. Do weryfikacji wykorzystano 10% danych. Do oceny jakości testowanych modeli zastosowano znormalizowany pierwiastek błędu średniokwadratowego nRMSE (normalized root mean squared error) opisany wzorem (1). Klasyczna miara błędu prognoz – błąd MAPE % – nie mógł być wykorzystany z uwagi na występujące wartości zerowe godzinowej produkcji energii cieplnej.

Wyznaczona wartość błędu prognozy pozwala na określenie dysproporcji pomiędzy prognozowaną wartością godzinowej produkcji energii cieplnej a rzeczywistą wartością produkcji energii cieplnej.

gdzie:

y*t – prognoza produkcji energii cieplnej,
yt – wartość rzeczywista produkcji energii cieplnej,
En – godzinowa produkcja energii cieplnej przy pracy systemu kolektorów z mocą nominalną.

Wnioski końcowe z prognoz

Prognozowanie produkcji energii cieplnej przez system kolektorów słonecznych jest procesem złożonym [8]. Główny wpływ na wielkość wyprodukowanej energii cieplnej mają warunki atmosferyczne, pora dnia oraz pora roku.

Analiza szeregu czasowego wykazała silną sezonowość produkcji energii cieplnej. Zdolności produkcyjne ulegają zmianom w zależności od pory roku. Cykl dobowy produkcji jest najdłuższy w okresie letnim, zależy od stopnia natężenia promieniowania słonecznego.

Okres zimowy charakteryzuje się dużym stopniem losowości natężenia promieniowania słonecznego oraz znacznie mniejszymi jego wartościami w stosunku do miesięcy letnich. W okresie wiosny i jesieni produkcja energii cieplnej również jest dość silnie zmienna.

Z przeprowadzonych badań, których celem było krótkoterminowe prognozowanie godzinowych wartości produkcji energii cieplnej przez system kolektorów słonecznych wynika, że najlepszym narzędziem prognostycznym z przeanalizowanych metod wydaje się sztuczna sieć neuronowa typu perceptron wielowarstwowy.

W przypadku konieczności wykonania prognozy krótkoterminowej z wykorzystaniem tylko danych endogenicznych (szereg czasowy produkcji energii cieplnej) najkorzystniejszy wydaje się model autoregresji, do którego należy jednak metodą prób dobrać właściwy rząd opóźnienia.

Literatura

1. Piotrowski P., Analiza statystyczna danych pomiarowych oraz prognozy produkcji energii cieplnej przez system kolektorów słonecznych – cz. 1, „Rynek Instalacyjny” nr 6/2015.
2. Baczyński D., Helt P., Kapler P., Piotrowski P., Wasilewski J., Opracowanie metod prognozowania krótkoterminowego i ultrakrótkoterminowego produkcji energii elektrycznej, ciepła i chłodu, praca badawcza na zlecenie Globema Sp. z o.o., Warszawa 2013.
3. Piotrowski P., Prognozowanie w elektroenergetyce w różnych horyzontach czasowych, Prace Naukowe Politechniki Warszawskiej „Elektryka” z. 144, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2013.
4. Helt P., Parol M., Piotrowski P., Metody sztucznej inteligencji. Przykłady zastosowań w elektroenergetyce, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2012.
5. Bacher P., Madsen H., Perers B., Short-Term Solar Collector Power Forecasting, Proceedings of ISES Solar World Conference 2011.
6. Piotrowski P., Analiza statystyczna danych do prognozowania ultrakrótkoterminowego produkcji energii elektrycznej w systemach fotowoltaicznych, „Przegląd Elektrotechniczny” (Electrical Review) nr 4/2014.
7. Piotrowski P., Analiza doboru zmiennych w zadaniu prognozowania ultrakrótkoterminowego produkcji energii elektrycznej w systemach fotowoltaicznych, „Przegląd Elektrotechniczny” (Electrical Review) nr 4/2014.
8. Suchecki P., Krótkoterminowe prognozy godzinowych wartości produkcji energii cieplnej dla systemu kolektora słonecznego z wykorzystaniem sztucznych sieci neuronowych typu MLP oraz metod statystycznych, praca dyplomowa magisterska, Wydział Elektryczny Politechniki Warszawskiej, Warszawa 2014.

Czytaj też: Uwarunkowania środowiskowe projektowania budynków energooszczędnych i pasywnych. Aktywne i pasywne systemy słoneczne.

Chcesz być na bieżąco? Czytaj nasz newsletter!
   06.08.2015

Komentarze

(0)

Wybrane dla Ciebie

 


Co osuszy powierzchnię do 80 m² »

osuszanie pomieszczeń


 


Zaprojektuj niezawodne instalacje w budynku »

Czy wiesz, jakich błędów unikać przy instalacji? »

zawory antyskażeniowe
jestem na bieżąco » korzystam z udogodnień »

 


 Jak zapewnić skuteczny monitoring parametrów środowiskowych w pomieszczeniach medycznych »

izolacje w instalacji


 


Czy bezdotykowy design stanie się standardem? »

Jak zminimalizować stratę energii w układach wentylacyjnych »
armatura bezdotykowa
jestem na bieżąco » korzystam z udogodnień »

 


Skróć czas montażu i uruchomienia układu mieszającego nawet o 50% »

uklad mieszający projektowanie



Jak zadbać o higienę w miejscach publicznych »

Zarejestruj się i zgarnij  pieniądze na kolejne zakupy   »
 
jestem na bieżąco » korzystam z udogodnień »

 


Co zrobić kiedy nie możesz pozbyć się wody z wycieku »

wyciek z rury


 


Jaki wybrać płyn do instalcji w przemyśle spożywczym »

Od czego zacząć, gdy chcesz zabezpieczyć hale przemysłowe przed pożarem »
panele fotowoltaiczne ochrona przed pożarem
jestem na bieżąco » korzystam z udogodnień »

 


Jak zabezpieczyć dylatację przed pożarem »

dyletacja

 



Do 77% oszczędności na zużyciu energii »

Z poradnika hydraulika - gdzie kupisz sprawdzony sprzęt »

cichy oszczedny klimatyzator hydraulik
jestem na bieżąco » korzystam z wiedzy »

 


Jakich elemntów potrzebujesz do projektu fotowoltaicznego »

alternatywne zrodla energii


 


Które pompy ściekowe mogą być stosowane na dużej głębokości » Upały dają się we znaki! Co lepsze? Centrala wentylacyjna czy rooftop? »
kanalizacja wentylatory
wiem więcej » poznaj dziś »

 


Czy pompa ciepła się opłaca »

alternatywne zrodla energii


 


Poznaj metody na oszczędność wody »

W czym tkwi sedno w projektowaniu instalacji grzewczej »
produkcja studni wodomierzowych
jestem na bieżąco » korzystam z udogodnień »

 


Który grzejnik wybrać? Aluminiowy czy stalowy »

grzejniki aluminiowe czy stalowe


 

Ekspert Budowlany - zlecenia

Dodaj komentarz
Nie jesteś zalogowany - zaloguj się lub załóż konto. Dzięki temu uzysksz możliwość obserwowania swoich komentarzy oraz dostęp do treści i możliwości dostępnych tylko dla zarejestrowanych użytkowników naszego portalu... dowiedz się więcej »

Co Szperacz wyszperał ;-)

źle wykonana instalacja

Sztywniactwo i niechlujstwo - zobacz i skomentuj »

Dla tych, którzy szukają bardziej elektryzujących wrażeń Szperacz ma dziś coś specjalnego - rozdzielnia w toalecie.

zaślepka


TV Rynek Instalacyjny


 tv rynek instalacyjny
11/2021

Aktualny numer:

Rynek Instalacyjny 11/2021
W miesięczniku m.in.:
  • - OZE w budynkach wielorodzinnych
  • - Klimat w pomieszczeniach szkolnych
Zobacz szczegóły

Bezpłatny newsletter

Mamy dla Ciebie prezent 


Wystarczy,

że zapiszesz się na newsletter,
a otrzymasz link do

e-book

" Kotły na biomasę i biopaliwa "

Zapisuję się »

Dom Wydawniczy MEDIUM Rzetelna Firma
Copyright © 2011 - 2012 Grupa MEDIUM Spółka z ograniczoną odpowiedzialnością Spółka komandytowa, nr KRS: 0000537655. Wszelkie prawa w tym Autora, Wydawcy i Producenta bazy danych zastrzeżone. Jakiekolwiek dalsze rozpowszechnianie artykułów zabronione. Korzystanie z serwisu i zamieszczonych w nim utworów i danych wyłącznie na zasadach określonych w Zasadach korzystania z serwisu.
realizacja i CMS: omnia.pl