Validering av data för energimätning Fredrik Sandin EISLAB, Luleå tekniska universitet Fjärrvärmedagarna, Borlänge, April 2013 Projektdeltagare EISLAB vid Luleå tekniska universitet Jerker Delsing, Blerim Emruli, Jonas Gustafsson, Fredrik Sandin Referensgrupp Enoro Per Malmberg E.ON Bengt-Åke Nilsson Fortum Paul Sundqvist, Jakob Aldrin Göteborg Energi Torsten Olsson Jönköping Energi Martin Brage MälarEnergi Jan Berglund ONE Nordic Roland Lundberg Powel Lars Lindström Svensk Fjärrvärme Thomas Lummi Södertörns Fjärrvärme Robert Eklund Vattenfall Lars-Ove Ivarsson Öresundskraft Johan Vinberg Validering av mätdata fredrik.sandin@ltu.se 2 / 25 Fjärrsynsprojekt: Validering av data för energimätning Nya regler och teknik för energimätning kommer att kräva bättre metoder för att hantera och kvalitetssäkra mätvärden Utveckla metoder för att hantera en större mängd mätdata och kvalitetssäkra data på ett så automatiskt sätt som möjligt Standardiseringsarbete och vidareutveckling av befintliga forskingsresultat Validering av mätdata fredrik.sandin@ltu.se 3 / 25 1
Syfte och mål Identifiera felaktiga värmemätare, fjärrvärmecentraler och data Säkerställa korrekt debitering, minimera risk Möjliggöra nya funktioner och tjänster Utveckla och utvärdera ny metodik För att identifiera avvikelser och fel Som är förenlig med timvärden / dagens teknik Som kan automatiseras Validering av mätdata fredrik.sandin@ltu.se 4 / 25 Fjärrvärmecentraler Vanligen mäts endast storheter på primärsidan (timvärden) P T ps T. pr m ~10 000 x Påverkas av utetemperatur, sol, vind och säsonger Påverkas av mänskligt beteende och andra system, t.ex. ventilation T out Validering av mätdata fredrik.sandin@ltu.se 5 / 25 Fel Vanliga fel och symptom Installationsfel (montering,kablage,skarvar,... ) Komponentfel (flödesmätare,tempsensorer,...) Reset av mätare, fel i reglersystem,... Symptom Abnormala mätvärden (uteliggare) Drivande mätvärden Konstanta eller onormalt brusiga mätvärden Förändrade variabelsamband Validering av mätdata fredrik.sandin@ltu.se 6 / 25 2
Vad är möjligt med timvärden? Data from 996 substations Skillnad mellan mätareffekt och effekt uträknad med timvärden Validering av mätdata fredrik.sandin@ltu.se 7 / 25 Hur kan fel identifieras? Begränsade möjligheter med dagens avläsningsteknik på grund av Mäter vanligtvis endast på primärsidan Låg samplingsfrekvens Metoder för att detektera fel Jämföra snarlika centraler / byggnader Enkla villkor (min, max, differans etc) Jämföra med historiskt beteende Validering av mätdata fredrik.sandin@ltu.se 8 / 25 Hur kan fel identifieras? Metoderna som beskrivs i Fjärrsynrapporten bygger på olika statistiska modeller och mått För abnormala mätvärden (uteliggare) För drivande medelvärden För bristande noggrannhet / onormalt brus Centraler och mätvärden rangordnas efter statistiska mått Mest avvikande först, osv. Validering av mätdata fredrik.sandin@ltu.se 9 / 25 3
Fjärrvärmecentraler har komplex och varierande dynamik Validering av mätdata fredrik.sandin@ltu.se 10 / 25 Identifiera förbrukningsmönster automatiskt med klusteranalys Validering av mätdata fredrik.sandin@ltu.se 11 / 25 Beräkna styckvis linjära regressionsmodeller Validering av mätdata fredrik.sandin@ltu.se 12 / 25 4
Identifiera abnormala mätvärden Validering av mätdata fredrik.sandin@ltu.se 13 / 25 Uppskatta saknade mätvärden Regressionsmodeller kan även användas för att uppskatta saknade mätvärden Validering av mätdata fredrik.sandin@ltu.se 14 / 25 Identifiera låg upplösning / brus Validering av mätdata fredrik.sandin@ltu.se 15 / 25 5
Exempel Validering av mätdata fredrik.sandin@ltu.se 16 / 25 Identifiera glidande mätare Drift of ~0.3σ Validering av mätdata fredrik.sandin@ltu.se 17 / 25 Metoder som beskrivs i rapporten Limit-checking Basic Cluster Regression Outlier Dri Quan za on with thresholds model analysis modeling detec on detec on analysis P!V T ps T pr Validering av mätdata fredrik.sandin@ltu.se 18 / 25 6
Nästa steg? Metoderna kan implementeras i befintliga system för hantering av timvärden Mjukvaruleverantörer deltar i projektet Enoro Powel Kasper, styckvis linjär regression (Ola Jobring, Göteborg Energi) Validering av mätdata fredrik.sandin@ltu.se 19 / 25 Hur göra framgent? För att validera mätdata krävs Mätning av nödvändiga storheter för att möjliggöra fysikalisk modellering Högre samplingsfrekvens ( realtid ) Validering bör därför ingå i centralerna (?) Holistiskt regler- och övervakningssystem alt. en ny generation av energimätare Möjliggöra systemoptimering och lastbalansering samt nya prismodeller och informationstjänster Validering av mätdata fredrik.sandin@ltu.se 20 / 25 Referenser Projektrapport, Fjärrsyn (förväntas vara färdig i juni). Seem, J. E., Using intelligent data analysis to detect abnormal energy consumption in buildings, Energy and Buildings 39, pp. 52 58 (2007). Li, X., Bowers, C. P. and Schnier, T., Classification of Energy Consumption in Buildings With Outlier Detection, IEEE Transactions on Industrial Electronics 57, No.11, pp. 3639-3644 (2010). Sandin, F., Gustafsson, J., Eklund, R. and Delsing, J., Basic methods for automated fault detection and energy data validation in existing district heating systems, 13th International Symposium on District Heating and Cooling, September 3 4, Copenhagen, Denmark, pp. 183-190 (2012). Isermann, R., Fault-Diagnosis Systems An Introduction from Fault Detection to Fault Tolerance, Springer, Berlin Heidelberg, 475p (2006); Fault-Diagnosis Applications, Springer, Berlin Heidelberg, 354p (2011). Murphy, K. P., Machine Learning: a Probabilistic Perspective, The MIT Press, 1104p (2012); http://www.cs.ubc.ca/~murphyk/mlbook/index.html. Validering av mätdata fredrik.sandin@ltu.se 21 / 25 7