Forecasting demand for district heating using different forecasting methods

Abstract

Emphasis on resource utilization has increased significantly in recent years, focusing on reducing greenhouse gas emissions. One way to reduce waste and increase utilization is to improve load forecasts that use these resources. The steam used to heat water for district heating is also used for electricity production. Therefore, the utilization of steam can increase with better forecasts of the district heating system. This thesis compares five different models for such forecasts. First, the Auto-Regressive Integrated Moving Average model, or ARIMA,predicted the general average usage based on previous data and was used as a benchmark for other models. Another regression model was created, LOWESS or Locally Weighted Scatter-plot Smoothing. LOWESS offers a non-linear correlation by giving more weight to values closer to the observation. The third model was an exponential smoothing model, theHolt-Winters method, a model that offers to take into account trend and seasonality. Finally, two machine learning models were created, LSTM and Random Forest. The LSTM model had only access to usage when trained, like the ARIMA model, but the Random Forest model was modelled in two versions. One version had access to all usage and all-weatherinformation, but the second model received additional information regarding weekdays and seasons. Comparison of these models revealed that the machine learning models returned results with variability down to an hour, while the average models predicted more average usage throughout the day. However, following the calculations of error values , there waslittle to no difference between these models in error. It can therefore be concluded that if HS Orka does consider it necessary to forecast with an hourly resolution, the Random Forest model that received the most data will give the best results. However, if the average forecastis enough, the ARIMA model is just as good and takes much less time to update.

Áhersla á nýtingu auðlinda hefur aukist til muna að undanförnu því umræða um hvernig hægt sé að draga úr losun gróðurhúsalofttegunda hefur verið mjög mikil. Ein leið til að draga úr sóun og auka nýtingu er að bæta spár um notkun á þessum auðlindum. Þar sem gufan sem notuð er til að hita vatn fyrir húshitun er einnig notuð í framleiðslu á rafmagnier hægt að hámarka nýtingu gufunnar með betri spám um þörf hitaveitukerfa. Í þessari ritgerð eru borin saman fimm mismunandi módel. Það fyrsta er Auto-Regressive Integrated Moving Average módelið, eða ARIMA, sem spáir fyrir um almenna meðaltalsnotkun byggða á fyrri gögnum. Þessi spá var síðan notuð til samanburðar við hin módelin. Eittannað aðhvarfsgreiningarmódel var búið til, LOWESS eða Locally Weighted Scatter-plot Smoothing. LOWESS býður upp á að nota ólínulega fylgni með því að athuga hvort fleiri gildi séu „í næsta nágrenni“ við síðasta gildi. Þriðja módelið var svo Exponential smoothing módel sem nefnist Holt Winters-aðferðin. Hún býður upp á að taka tillit til stefnu (e. trend) og árstíðasveiflu (e. seasonality). Tvö gervigreindarlíkön voru smíðuð, LSTM og Random Forest. LSTM-líkanið var einungis byggt á fyrri notkun til samanburðar við ARIMA-líkanið, en Random Forest-líkanið var í tveimur útgáfum; fyrra líkanið fékk aðgang að allri notkun ogöllum upplýsingum um veður en seinna líkanið fékk til viðbótar upplýsingar tengdar dagsetningum og árstíðum. Samanburðurinn á þessum módelum leiddi í ljós að gervigreindarlíkönin skiluðu niðurstöðum með breytileika niður á klukkustund en meðaltalslíkönin spáðu jafnarinotkun yfir allan daginn. Aftur á móti sýndu útreiknuð gildi á mismun (e. error) að lítill sem engin munur var á þessum módelum varðandi skekkju. Telji HS Orka þörf á spá niður á klukkutíma mun Random Forest-líkanið sem fékk mest af upplýsingum þannig skila bestu niðurstöðunni en ef meðaltalsspá er nóg er ARIMA-líkanið álíka gott og tekur mun skemmritíma í uppfærslu.