Lämmitysenergiankulutuksen analysointi tilastomenetelmillä

Abstract

Opinnäytetyö tehtiin osana Oulun ammattikorkeakoulun Sula-hanketta. Työssä analysoidaan erään Haukiputaalla sijaitsevan autotallin energiankulutusta klassisella aikasarja-analyysillä, tarkastellaan lämpötilaeron vaikutusta sähkönkulutukseen sekä tehdään lineaariseen regressioanalyysiin perustuvia ennusteita. Ennusteita tehtiin sähkönkulutuksella, jossa selittävänä muuttujana oli lämpötilaero, sekä lämpökonduktanssilla, jossa selittävänä muuttujana oli aika.

Tavoitteena oli kehittää ohjelmallinen toteutus, jolla voidaan havaita normaalista kohonnut lämmityslaitteiden sähkönkulutus. Ohjelma tuli voida suorittaa automaattisesti tietyin väliajoin Sulan palvelimella.

Aikasarja-analyysin perusteella havaittiin autotallin talven sähkönkulutuksessa olevan trendin ja satunnaisuuden komponentit. Selityskertoimen avulla todettiin lämpötilaerolla olevan lineaarinen riippuvuus sähkönkulutukseen.

Ennusteissa, joissa selittävänä muuttujana oli lämpötilaero, saatiin ennusteita, jotka vastaavat hyvin sähkönkulutusta edellisien saman lämpötilaeron keskimääräiseen kulutukseen. Huonona puolena oli hidas sopeutuminen, jos lämmityskokonaisuutta vaihdettiin. Ennustetapa toimii hyvin, mikäli laitekokonaisuutta ja termostaattien asetuksia ei muutella.

Lämpökonduktanssin ennusteissa saatiin nopeampi reagointi lämmityslaitekokonaisuuden vaihteluihin, mutta käyttäessä pientä otoskokoa, ennusteet voivat reagoida liian nopeasti, jolloin asetettu tavoite ei täyty. Ennusteella ei tule ennustevälin ylityksiä, mikäli sähkönkulutus kasvaa pikkuhiljaa. Ennustetapa soveltuu hyvin tavoitteeseen, kun käytetään isoa otantamäärää.

Opinnäytetyössä saatiin hyvä yleiskuva siitä, miten kohteen sähkönkulutus käyttäytyy talvisin, sekä luotiin sovellus, jolla voidaan havaita äkillisesti kasvanut sähkönkulutus.

This thesis was done for Oulu University of Applied Sciences Sula project. In the thesis electricity consumption of a garage was examined using classic time series analysis and search for correlation between power consumption and difference between outside and inside temperatures. Also, forecasts were made for power consumption and thermal conductance by applying linear re-gression. In thesis’s context thermal conductance was defined as power con-sumption needed to increase the temperature difference between inside and outside air by one Celsius centigrade.

The purpose was to find a programmable way to detect a broken heating device from increased electricity consumption. The program should be able to run au-tomatically on the Sula server.

Using time series analysis, trend and irregular components were detected from the electricity consumption measurement. With coefficient of determination linear correlation between the energy consumption and temperature difference was proven.

Power consumption forecast had the difference between outside and inside temperature as the explanatory variable. The forecast was good at comparing the last measured power consumption with certain temperature difference to average power consumption with the same temperature difference. The fore-cast was slow in adjusting to different kind of power consumption when used devices were changed, because the forecast method requires high number of observations. If the used devices would always be the same then this forecast method would be suitable for the purpose.

Conductance forecasts were faster in adjusting when the used devices were changed, but it can also be a downside because if the forecast adjusts too fast, it’s useless detecting increased consumption. The adjusting speed is deter-mined by the number of observations used. With high number of observations the forecast doesn’t adjust too fast and is more suitable for the purpose.