University of Oulu

Lämpöpumpun lämpökertoimen ennustaminen datapohjaisella mallinnuksella

Saved in:
Author: Pyhtilä, Eerik1
Organizations: 1University of Oulu, Faculty of Technology, Process Engineering
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 1.5 MB)
Pages: 61
Persistent link: http://urn.fi/URN:NBN:fi:oulu-202109239046
Language: Finnish
Published: Oulu : E. Pyhtilä, 2021
Publish Date: 2021-09-23
Thesis type: Master's thesis (tech)
Tutor: Hietaharju, Petri
Ruuska, Jari
Vuokila, Ari
Ruusunen, Mika
Reviewer: Hietaharju, Petri
Ruuska, Jari
Vuokila, Ari
Ruusunen, Mika
Description:

Tiivistelmä

Tämän työn tavoitteena oli ennustaa lämpöpumpun tulevia tiloja mitatun datan avulla. Lämpöpumput ovat laitteita, joilla hyödynnetään maahan, kallioon, veteen tai ilmaan varastoitunutta lämpöenergiaa rakennusten ja käyttöveden lämmittämiseen. Tarkoituksena oli tutkia, millaisilla datapohjaisilla menetelmillä voidaan ennustaa tehokkaasti lämpöpumppujen toimintaa ja miten voidaan havaita muutoksia niiden tilassa. Yksi keskeinen lämpöpumppujen tehokkuutta kuvaava mittari on lämpökerroin, joka kertoo kuinka paljon enemmän laite tuottaa lämpöä verrattuna sen kuluttamaan sähkön määrään. Työn keskiössä oli lämpökertoimen lyhyen aikavälin ennustaminen datapohjaisilla menetelmillä.

Työn teoriaosuudessa käytiin läpi lämpöpumppujen yleistä toimintaa ja datapohjaisia menetelmiä lämpöpumpun lämpökertoimen ennustamiseen liittyen. Useimmat aiemmat tutkimukset liittyivät maa- ja ilmalämpöpumppujen lämpökertoimen ennustamiseen ja yleisimmät käytetyt menetelmät olivat järjestyksessä keinotekoiset neuroverkot, adaptiivinen neurosumea päättelyjärjestelmä, satunnaismetsä-algoritmi, tukivektoriregressio ja muut regressiomallit.

Kokeellisessa osassa testattiin viittä erilaista dynaamista regressiomallia ja kolmea epälineaarista neuroverkkomallia. Käytössä oli kaksi mittausaineistoa, joista ensimmäinen oli simuloitu ja toinen erään poistoilmalämpöpumpun todellisia mittauksia. Mittausaineistot sisälsivät tulomuuttujina käytetyt ulkolämpötilan, latauspiirin paluuveden lämpötilan ja kompressorin tehon sekä referenssinä käytetyn lämpökertoimen todellisen arvon. Toisella mittausaineistolla jokainen identifioitu malli validoitiin jakamalla mittausaineisto kolmeen osaan, jotka koostuivat 7 vuorokauden tai 14 vuorokauden opetusjaksosta ja niiden jälkeisestä kahden vuorokauden testijaksosta. Mallien ennustetarkkuutta arvioitiin keskineliövirheen neliöjuurella, keskimääräisellä absoluuttisella virheellä ja korrelaatiolla.

Kaikki testatut mallit pystyivät toteuttamaan kahden vuorokauden lämpökertoimen ennusteen, mutta niiden tarkkuudessa oli eroja. Parhaat mallit saatiin sekä regressiomalleille että neuroverkoille kaikilla kolmella tulomuuttujalla. Näistä epälineaarinen neuroverkko oli parempi kuin paras regressiomalli. Neuroverkon keskimääräinen absoluuttinen suhteellinen virhe ja korrelaatio olivat testaukseen käytetyllä todellisella mittausaineistolla 6,06 % ja 0,69 ja parhaan regressiomallin vastaavasti 6,13 % ja 0,68. Tulosten perusteella lämpöpumpun toiminnan tehokkuutta pystytään onnistuneesti ennustamaan työssä sovelletuilla datapohjaisilla malleilla.

Data-based modelling for predicting efficiency of heat pumps

Abstract

The aim of this work was to predict the future states of the heat pump with the measured data. Heat pumps are devices that utilize thermal energy stored in the ground, rock, water, or air to heat or sometimes also cool buildings and domestic water.

The aim was to find answers to question that what kind of data-based methods can be used to effectively predict the operation of heat pumps and how changes in the state of these systems can be detected. One key measure for the efficiency of heat pumps is the coefficient of performance (COP) that is a ratio of useful heating provided to energy required. The core of this work is the short-term prediction of the coefficient of performance using data-based modelling methods.

The theoretical part of the thesis reviewed the general theory of heat pumps, the theory of data-based methods and a literature review of previous studies related to the prediction of the COP value. Most of the COP prediction studies were related to ground source heat pumps and air source heat pumps and the most common methods used were in the order artificial neural network, adaptive neuro fuzzy inference system, random forest, support vector regression and other regression model structures.

In the empirical part of the thesis, five different dynamic regression models and three nonlinear neural network models were tested. Two datasets were used, the dataset 1 was simulated hourly data, and the dataset 2 was a measured minute level data from the exhaust air heat pump. Both datasets included the outdoor temperature, the supply water temperature and compressor power as input variables, and the measured COP value for the reference. With the dataset 2, each model was validated by dividing the dataset into three parts, each containing 7-day or 14-day training set and after that 2-day test set. The model performances were evaluated with statistical performance indexes: root-mean-square error, mean absolute percentage error, and correlation.

All the tested models were able to predict the COP values two-days ahead, but there were differences in their accuracy. The best models were obtained for both regression models and neural networks when all three input variables were selected, and of these, the best neural network model was superior to the best regression model identified. With measured data, the mean absolute percentage error and correlation for test sets were 6.06 % and 0.69 for the neural network and 6.13 % and 0.68 for the best regression model, respectively. According to the results, the state of the heat pump can be successfully predicted with the data-based modelling approach applied in this thesis.

see all

Subjects:
Copyright information: © Eerik Pyhtilä, 2021. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.