// Tema – Optimering A ffaldVarme Aarhus vil gerne blive bedre til at forudsige varmebehovet i hele sit forsyningsområde – ikke mindst i de dele af fjernvarmenettet, som ligger længst fra varmeproduktionen. Med afstande op til 40 kilometer fra produktionsstederne i nord til Odder i den sydlige del af forsyningsområdet er der op til otte timers opholdstid i fjernvarmenettet. Derfor kører man altid med en lidt højere temperatur i nettet, end det meget af tiden er nødvendigt – bare for en sikkerheds skyld. »Vi kan ikke afkorte opholdstiden for vandet i vores net, men i stedet vil vi gerne blive bedre til at forudse varmebehovet, så vi ikke behøver at have en højere temperatur end højst nødvendigt. Det vil give os nogle gode gevinster at kunne sænke temperaturerne. Vejrudsigterne er vigtige for os og desværre ikke altid helt præcise. Om det er overskyet om natten eller ej kan betyde stor forskel i varmeforbruget om morgenen. Men vi vil også gerne blive endnu klogere på vores net, herunder tryk, temperaturer og flow, og det kan vi kun blive ved hjælp af bedre data,« siger maskinmester Jens Rishøj Skov, AffaldVarme Aarhus. For at blive bedre til at forudsige det reelle varmebehov endnu tidligere og dermed kunne køre med lavere temperaturer i nettet har AffaldVarme Aarhus indledt et samarbejde med Neurospace, som er eksperter i Machine Learning, neurale netværk og dataanalyse. »I samarbejde med Neurospace har vi foreløbig udviklet en prototype, hvor vi har identificeret 14 målepunkter i vores net, som er vigtige for at kunne optimere driften og temperaturerne. Næste skridt er at lave en model, som kan anvendes i daglig drift,« siger Jens Rishøj Skov videre. Bedre forudsigelse af forbrug Hidtil har man overvejende planlagt sin varmeproduktion på baggrund af prognoser og erfaringer, men efterhånden er det, med flere varmeproducenter, blevet en mere kompliceret opgave. »Vi vil gerne kunne forudsige, hvis der kommer til at mangle varme i yderpunkterne, hvor der er lang opholdstid i nettet. Sammen med Neurospace skal vi have fundet alle de relevante målepunkter og data, som er nødvendige for at få lavet et brugbart værktøj. Det kræver, at vi får identificeret de relevante korrelationer mellem data og den korrekte vægtning af data. Med andre ord – hvilke data er nødvendige for, at vi kan blive bedre til at forudsige forbruget 12 timer frem,« siger Jens Rishøj Skov. Øvelsen omhandler også at få standardiseret data og dermed gjort dem anvendelige med de rigtige ”opløsninger” og tidsstempler, så de er sammenlignelige og kan indgå i samme modeller. »Vi har rigtig mange data fra tusindvis af målepunkter, men vi har indtil nu ikke fået den fulde værdi af vores data. Jeg tror, at mange andre forsyningsselskaber er i samme situation; At de gerne vil bruge deres data mere fornuftigt og måske også blive bedre til at dele data med eksterne kunder og rådgivere,« siger Jens Rishøj Skov, som håber, at AffaldVarme Aarhus har et brugbart Machine Learning-værktøj klar til varmesæsonen 2020-2021. Start i det små Neurospace hjælper virksomheder med at optimere processer, produktion og vedligehold gennem Machine Learning og ved at udnytte data til at forbedre oppetider og reducere omkostninger. 24 Maskinmesteren Maj 2020
Download PDF fil