MODELIRANJE POTROŠNJE TOPLINSKE ENERGIJE U SUSTAVIMA DALJINSKOG GRIJANJA ZASNOVANO NA STROJNOM UČENJU (CROSBI ID 435967)
Ocjenski rad | doktorska disertacija
Podaci o odgovornosti
Maljković, Danica
Balen, Igor ; Dalbelo Bašić, Bojana
hrvatski
MODELIRANJE POTROŠNJE TOPLINSKE ENERGIJE U SUSTAVIMA DALJINSKOG GRIJANJA ZASNOVANO NA STROJNOM UČENJU
Na putu prema postizanju energetskih ciljeva Europska unija je kroz zakonodavstvo propisala zemljama članicama provođenje mjera energetske učinkovitosti od kojih je jedna uvođenje individualnog mjerenja kod svih krajnjih potrošača u sustavima daljinskog grijanja. Cilj ove disertacije je ocijeniti stvarni učinak ugradnje razdjelnika troškova toplinske energije (RTTE) kao individualnih mjerila u smislu ocjene postignutih ušteda i predviđanja potrošnje nakon ugradnje. Modeliranje je provedeno metodama strojnog učenja – višestrukom linearnom regresijom, regresijskim stablima, slučajnim šumama i strojem potpornih vektora. Razvijeni su modeli s visokom točnošću predviđanja na razini stana, zgrade, distribucijskog sustava i na nacionalnoj razini. Točnost predviđanja na razini stana kreće se od +/- 4 kWh/m2 do +/- 16 kWh/m2 na godišnjoj razini, a na razini zgrade od +/- 13 kWh/m2 do +/- 16 kWh/m2. Razvijeni modeli interpretirani su i sa stajališta parametara koji utječu na potrošnju na potrošnju. Tako je na razini stana dominantan utjecajni parametar postojanje individualnog mjerenja i stanovi koji su ugradili RTTE mogu očekivati uštedu na razini od 40 %. Drugi utjecajan parametar na razini stana, a prvi utjecajan parametar na razini zgrade jest stopa ugradnje RTTE koja označava u kojem se postotku grijane površine zgrade potrošnja topline mjeri s RTTE. Važnost ovog parametra daje indikaciju koliko je bitno da se ugradnja provede u svim stanovima. Zgrade koje ugrade RTTE mogu očekivati apsolutnu uštedu do 46 kWh/m2 godišnje, ovisno o stopi ugradnje. Očekivane uštede na razini distribucijskog područja i na nacionalnoj razini jednake su kao u slučaju zgrade. Razvijeni modeli mogu služiti u predviđanju potrošnje topline za stanove i zgrade koje još nisu ugradile RTTE te se njima mogu predviđati i uštede na razini distribucijskog područja i na nacionalnoj razini. Rezultati ovog rada pokazuju da se metode strojnog učenja mogu uspješno primjenjivati u predviđanju potrošnje energije s visokom razinom točnosti u usporedbi s klasičnim simulacijskim metodama te se u budućnosti očekuje veća primjena strojnog učenja u predviđanju u sektoru energetike.
daljinsko grijanje, strojno učenje, predviđanje potrošnje energije, energetska učinkovitost, razdjelnici troškova toplinske energije
nije evidentirano
engleski
MODELLING OF ENERGY CONSUMPTION IN DISTRICT HEATING SYSTEMS BASED ON MACHINE LEARNING
nije evidentirano
district heating, machine learning, energy forecasting, energy efficiency, heat cost allocators
nije evidentirano
Podaci o izdanju
150
08.07.2020.
obranjeno
Podaci o ustanovi koja je dodijelila akademski stupanj
Fakultet strojarstva i brodogradnje
Zagreb