Koneoppimismallit reservimarkkinoille osallistuvan lämpövaraston ohjauksessa : Reservimarkkinahintojen ennustaminen

Abstract

Sääriippuvaisen uusiutuvan energian lisääntyessä sähköjärjestelmän tasapainon ylläpitäminen on entistä haasteellisempaa. Tasapainon ylläpitämiseksi erilaiset nopeasti reagoivat, sähköntuotantoon tai -kulutukseen kykenevät resurssit voivat tarjota joustoa, eli reserviä, jota kantaverkko-operaattorit hankkivat itselleen reservimarkkinoilta. Sähkölämmitteiset lämpövarastot ovat merkittäviä sähkönkuluttajia, ja voivat näin ollen tarjota merkittävän määrän reserviä samalla ansaiten parempia tuottoja. Reservimarkkinahintojen riittävän tarkka ja luotettava ennustaminen on edellytyksenä reservimarkkinoille osallistuvan lämpövaraston kustannustehokkaalle ohjaukselle. Tässä työssä selvitetään millaisia koneoppimismalleja voitaisiin hyödyntää reservimarkkinahintojen ennustamisessa. Lisäksi tutkitaan millaisia yleisiä suunnitteluvaiheita reservimarkkinahintojen ennustamiseen käytettäville koneoppimismalleille on. Työn tarkoituksena on toimia aloituspisteenä reservimarkkinahintoja ennustavan koneoppimismallin suunnittelulle. Jopa puolet maailman energiankulutuksesta kulutetaan lämpönä. Lämpövarastot voivat olla merkittävässä roolissa vihreässä siirtymässä mahdollistaen kulutuspiikkien tasaamisen sekä lämmityksen sähköistymisen. Polar Night Energyn ensimmäisessä laatuaan olevassa hiekka-lämpövarastossa lämpö voidaan varastoida korkeaan, jopa 600 °C lämpötilaan, joka mahdollistaa lämmön toimittamisen esimerkiksi kaukolämmön ja useimpien teollisuuden prosessien tarpeisiin. Lämpövaraston toimintaa ohjaavat pääasiassa asiakkaan lämmöntarve, sähkön spot-hinta sekä varaston varaustaso. Lämpövarastoa pyritään ohjaamaan niin, että varastoa ladataan sähkön hinnan ollessa matalalla ja puretaan asiakkaan tarpeiden mukaisesti. Reservimarkkinoille osallistuvan lämpövaraston kohdalla myös reservimarkkinahinnat ovat merkittävä osatekijä ohjauksessa, sillä niiden ennustaminen mahdollistaa kaikista tuottoisimpien tuntien sekä markkinoiden valinnan. Sähkö- ja reservimarkkinahintojen ennustuksessa käytetyimpiä ennustusmenetelmiä ovat tilastolliset ja koneoppimismenetelmät, ja niiden suorituskykyä usein verrataan keskenään. Tilastollisten ja koneoppimismallien teorian lisäksi työssä tutustuttiin erilaisiin tarkkuusmittareihin, joilla ennustusmenetelmien tarkkuutta voidaan mitata. Työssä perehdyttiin reservimarkkinahintojen ennustusta koskevaan tutkimukseen mahdollisimman laajasti ja lisäksi myös sähkömarkkinahintojen ennustamista koskevaan tutkimukseen. Molempien kohdalla syvät neuroverkot antoivat parhaita tuloksia, ja useimmissa tutkimuksissa koneoppimismallit päihittivät ennustustarkkuudessa tilastolliset verrokkimallinsa. Tutkimuksissa nostettiin esiin myös ongelmia, jotka heikentävät sähkö- ja reservimarkkinahintojen ennustusta käsittelevien tutkimusten vertailukelpoisuutta. Ongelmina olivat muun muassa erilaisten datajoukkojen, ohjelmistototeutusten ja tarkkuusmittareiden käyttö, kehittyneiden mallien vertaaminen yksinkertaisiin malleihin ja liian lyhyet testausdatan pituudet. Näitä ei tässä työssä kyetty otta-maan huomioon työn laajuuden vuoksi, mutta kun tehdään päätöksiä eri tutkimuksissa esiintyvien mallien keskinäisen vertailun pohjalta, on kyseiset ongelmat syytä ottaa huomioon. Työssä tunnistettiin myös useissa tutkimuksissa esiintyneitä koneoppimismallien suunnitteluvaiheita, joita olivat algoritmin valinta, datan ja ulkoisten tekijöiden valinta, aikasarja-analyysi, datan esikäsittely, mallin validointi, tarkkuusmittarien valinta, hyperparametrien optimointi ja tulosten tilastollisen merkittävyyden toteaminen.