The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

Development of Short-term Heat Demand Forecasting Model using Real-time Demand Information from Calorimeters

실시간 열량계 정보를 활용한 단기 열 수요 예측 모델 개발에 관한 연구

  • 송상화 (인천대학교 동북아물류대학원) ;
  • 신광섭 (인천대학교 동북아물류대학원) ;
  • 이재훈 (인천대학교 동북아물류대학원) ;
  • 정윤재 (인천대학교 동북아물류대학원) ;
  • 이재승 (한국지역난방공사 미래개발원) ;
  • 윤석만 (한국지역난방공사 미래개발원)
  • Received : 2020.11.22
  • Accepted : 2020.12.28
  • Published : 2020.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

District heating system supplies heat from low-cost high-efficiency heat production facilities to heat demand areas through a heat pipe network. For efficient heat supply system operation, it is important to accurately predict the heat demand within the region and optimize the heat production plan accordingly. In this study, a heat demand forecasting model is proposed considering real-time calorimeter information from local heat demands. Previous models considered ambient temperature and heat demand history data to predict future heat demands. To improve forecast accuracy, the proposed heat demand forecast model added big data from real-time calorimeters installed in the heat demands within the target region. By employing calorimeter information directly in the model, it is expected that the proposed forecast model is to reflect heat use pattern of each demand. Computational experiemtns based on the actual heat demand data shows that the forecast accuracy of the proposed model improved when the calorimeter big data is reflected.

지역난방 시스템은 서비스 지역 내 열 수요처들을 네트워크로 연결하여 중앙의 저비용 고효율 열 생산설비를 통해 열을 공급하는 에너지 시스템이다. 효율적인 열 공급 시시스템 운영을 위하여 지역 내 열 수요를 정확하게 예측하고 이를 바탕으로 열 생산 계획을 최적화하는 것이 중요하다. 본 연구에서는 지역 내 열수요처별 열 사용량 패턴에 대한 빅데이터 정보로 기계실별 실시간 열량계 정보를 반영한 열수요 예측모형을 제시하였다. 기존에도 열 수요예측에 활용되던 지역 전체 열수요 실적 합계와 함께 수요처별로 설치되어 있는 열량계로부터 실시간으로 수집한 개별 열수요 실적을 예측모형에 반영함으로써 열 수요처별로 상이한 열사용 패턴을 반영한 열 수요 예측이 가능할 것으로 기대된다. 지역난방 기업의 실제 열수요 실적을 바탕으로 열수요 예측 정확도를 측정한 결과 계절에 상관없이 기본 모형 대비 열량계 빅데이터를 반영할 경우 정확도가 올라가는 것으로 분석되었으며, 향후 열수요처별 다양한 형태의 데이터를 추가로 반영함으로써 열 수요 예측 정확도 향상이 가능할 것으로 예측된다.

Keywords

Acknowledgement

본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제입니다. (No. 20173010140840)

References

  1. 김제현, 이지은, 김태형, 함경선, "기상 데이터를 활용한 공동주택 열수요 예측에 관한 연구". 한국정보과학회 학술발표논문집, pp.1331-1333. 2018.
  2. Baltputnis, K., Petrichenko, R., & Sauhats, A., "ANN-based city heat demand forecast". Paper presented at the 2017 IEEE Manchester PowerTech, pp.1-6, 2017.
  3. Petrichenko, R., Baltputnis, K., Sauhats, A., & Sobolevsky, D., "District heating demand short-term forecasting". Paper presented at the 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), pp.1-5, 2017.
  4. Sandberg, A., Wallin, F., Li, H., & Azaza, M., "An analyze of long-term hourly district heat demand forecasting of a commercial building using neural networks". Energy Procedia, Vol.105, pp.3784-3790, 2017. https://doi.org/10.1016/j.egypro.2017.03.884
  5. Idowu, S., Saguna, S., Ahlund, C., & Schelen, O., "Forecasting heat load for smart district heating systems: A machine learning approach". Paper presented at the 2014 IEEE International Conference on Smart Grid Communications (SmartGridComm), pp.554-559, 2014.
  6. Zhang, W., Niu, P., Li, G., & Li, P., "Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm". Knowledge-Based Systems, Vol.39, pp.34-44, 2013. https://doi.org/10.1016/j.knosys.2012.10.004
  7. Protic, M., Shamshirband, S., Petkovic, D., Abbasi, A., Kiah, M. L. M., Unar, J. A., & Raos, M., "Forecasting of consumers heat load in district heating systems using the support vector machine with a discrete wavelet transform algorithm". Energy, Vol.87, pp.343-351, 2015. https://doi.org/10.1016/j.energy.2015.04.109
  8. Rahman, A., & Smith, A. D., "Predicting heating demand and sizing a stratified thermal storage tank using deep learning algorithms". Applied Energy, Vol.228, pp.108-121, 2018. https://doi.org/10.1016/j.apenergy.2018.06.064
  9. Lu, K., Meng, X. R., Sun, W. X., Zhang, R. G., Han, Y. K., Gao, S., & Su, D., "GRU-based encoder-decoder for short-term CHP heat load forecast". Paper presented at the IOP Conference Series: Materials Science and Engineering, 392(6) 062173, 2018. https://doi.org/10.1088/1757-899X/392/6/062173
  10. Kuan, L., Zhenfu, B., Xin, W., Xiangrong, M., Honghai, L., Wenxue, S., & Zhimin, L., "Short-term CHP heat load forecast method based on concatenated LSTMs". Paper presented at the 2017 Chinese Automation Congress (CAC), pp.99-103, 2017.