AI-assisted decision support for demand response in district heating system

Abstract

Improvements in technology allow us to process large quantities of data in real time, which has opened new possibilities in utilisation of industrial data and in increasing amounts utilisation of machine learning and artificial intelligence, to improve systems efficiency. This efficiency increase in existing systems can lead to lowered resource usage and more green industry. In this thesis, machine learningbased and elementary peak detection methodologies are utilised in solving district heating demand response prediction problem, which are then included in a decision support tool. This tool is delivered for actual use for demand response prediction. Thesis has been done as a part of ABIDI project for Oulun Energia. Implementation of the machine learning and peak detection methodologies were achieved by data provided by Oulun Energia. Which shows us that the energy grid is a large entity, containing multiple differentiating parts and almost 200 locations that can respond to energy demands. These parts and their unique qualities are considered when the tool and methodologies are developed and delivered to the end user.

Literature review is done as an introduction to the topics about the thesis. Specifically noted are research on machine learning models that are related to time series, smart grid systems, digital twins, and decision support. Uniting themes in the literature review are information and communication technology applications of energy systems and value created by artificial intelligence.

Finally, methods for forecasting energy consumption and detecting demand response situations are compared. This comparison of resulting models is done by mathematical performance measurements and visual inspection for the resulting demand response detection. Where we find out that the problem of predicting demand response situations can be solved by utilizing a pipeline, in which data to detection form a multi-modal environment. This information is then used to design and build the deliverable tool. As an additional part of this thesis, tool design and end user experience is presented.

In conclusion, this thesis will deliver a statement, in which the multi-modal pipeline can be expanded so that the advanced and scalable model design can use the tool to increase the lifespan of the models and increase the performance of demand response prediction.

Teknologian kehittyessä kyky käsitellä valtavia tietomääriä reaaliajassa on kasvanut ja näin mahdollistanut uusia keinoja hyödyntää teollisuuden tuottamaa aineistoa. Etenevissä määrin tähän liittyy sekä koneoppimisen että tekoälyn hyödyntämistä järjestelmien tehokkuuden parantamiseksi, mahdollistaen olemassa olevien järjestelmien tehokkuuden kasvun kautta vihreämpään ja tehokkaampaan teollisuuteen. Tässä työssä hyödynnetäänkin koneoppimiseen ja alkeelliseen huipunhavaitsemiseen perustuvia menetelmiä kysyntäjoustotilanteiden havaitsemisen ongelman ratkaisussa. Tämä ratkaisu on myös sisällytetty työssä esiteltävään työkaluun, jonka käytännön vaikutuksia myös arvioidaan. Tämä työ on tehty osana ABIDI hanketta ja siinä tuotettu työkalu on tehty Oulun Energian käyttöön.

Koneoppimiseen pohjautuvan ratkaisun toteutus perustuu Oulun Energian tarjoamaan aineistoon. Aineisto osoittaa sen, että energiaverkko on suuri kokonaisuus, joka sisältää monia eri alueita, kuten 200 yksittäistä kohdetta, jotka ovat kykeneviä vastaamaan kysyntäjouston tarpeisiin. Nämä eri osa-alueet ja niiden ominaisuudet on otettu huomioon työkalun ja menetelmien kehityksessä. Työhön on toteutettu osana myös kirjallisuusselvitys, joka pohjustaa työn ja ratkaisun eri osa-alueita kuten aikasarjoihin liittyvät koneoppimismenetelmät, älykkäät verkot, digitaaliset kaksoset ja päätöksentekotyökalut. Kirjallisuudessa on havaittu läpikattaviksi teemoiksi tieto- ja viestintätekniikan sovellutukset energiajärjestelmissä ja arvon luominen tekoälyavusteisesti.

Työssä esitellään energiankulutuksen ja kysyntäjoustotilanteiden ennustamisen menetelmät ja vertaillaan eri vaihtoehtoja näiden toteuttamiseen. Tämä vertailu toteutetaan ennustamisen onnistumisen matemaattisilla mittareilla ja ennusteiden visuaalisilla tarkasteluilla. Lopputuloksena havaitaan, että kysyntäjoustotilanteiden ennustamisen ongelma on ratkaistavissa esitetyillä menetelmillä, jos niitä hyödynnetään kanavassa, missä datasta käsitellään multimodaalisesti ratkaistavissa oleva ympäristö. Tätä kanavaa sitten hyödynnetään päätöksenteon avustamistyökalun suunnittelussa ja toteutuksessa. Tämä työkalu esitetään myös osana tätä työtä.

Lopuksi työssä esitellään multimodaalisen kanavan hyötyjä siten, että tätä kanavamallia voidaan laajentaa kehittyneempien mallien ja tekoälyn suuntaan, jotta mallien säilyvyys ja tehokkuus kasvaa.