A Bayesian Approach for Forecasting Heat Load in a District Heating System

The growing population in cities increases the energy demand and affects the environment by increasing carbon emissions. Information and communications technology solutions which enable energy optimization are needed to address this growing energy demand in cities and to reduce carbon emissions. District heating systems optimize the energy production by reusing waste energy with combined heat and power plants. Forecasting the heat load demand in residential buildings assists in optimizing energy production and consumption in a district heating system. However, the presence of a large number of factors such as weather forecast, district heating operational parameters and user behavioural parameters, make heat load forecasting a challenging task. This thesis proposes a probabilistic machine learning model using a Naive Bayes classifier, to forecast the hourly heat load demand for three residential buildings in the city of Skellefteå, Sweden over a period of winter and spring seasons. The district heating data collected from the sensors equipped at the residential buildings in Skellefteå, is utilized to build the Bayesian network to forecast the heat load demand for horizons of 1, 2, 3, 6 and 24 hours. The proposed model is validated by using four cases to study the influence of various parameters on the heat load forecast by carrying out trace driven analysis in Weka and GeNIe. Results show that current heat load consumption and outdoor temperature forecast are the two parameters with most influence on the heat load forecast. The proposed model achieves average accuracies of 81.23 % and 76.74 % for a forecast horizon of 1 hour in the three buildings for winter and spring seasons respectively. The model also achieves an average accuracy of 77.97 % for three buildings across both seasons for the forecast horizon of 1 hour by utilizing only 10 % of the training data. The results indicate that even a simple model like Naive Bayes classifier can forecast the heat load demand by utilizing less training data.

Tarjoustoiminnankehittäminen projektiliiketoiminnassa - tiedonhallinta ja työkalut

Työn tavoitteena on tehdä pohjatutkimus tarjoustoiminnan kehittämiseksi Larox Oyj:ssä. Työssä hahmotetaan haastatteluiden avulla tämänhetkiset ongelma-alueet tarjoustoiminnassa ja tiedonhallinnassa. Nykyisin suurimpina kehityshaasteina ovat rutiinityön manuaalinen hallinta, tiedon hankala saatavuus ja selkeiden yhteisten pelisääntöjen puuttuminen tarjoustoiminnassa. Näihin haasteisiin pyritään löytämään ratkaisuvaihtoehtoja. Työ sisältää teoriaosan, jossa käydään läpi projektin ominaispiirteitä, tarjoustoiminnan osuutta projektiliiketoiminnassa, elinkaarenaikaisen tiedonhallinnan keinoja sekä massaräätälöinnin toimintaperiaatteita. Tarjoustoimintaa pyritään kehittämään käsitellyn teorian, benchmark-vierailuilta saatujen ideoiden sekä haastatteluissa tulleiden toiveiden pohjalta. Tuloksena saadaan kehitysideat pitkäjänteiseen kehitystyöhön sekä nopeasti toteutettaviin toimenpiteisiin. Keskeinen kehitysidea on tarjouskonfiguraattorin kehitystyön aloittaminen. Sen avulla pyritään vähentämään tarjousinsinöörien työtaakkaa. Silloin tarjousinsinööreille jää aikaa toteuttaa osaamistaan haastavampien ja suurempien tarjouksien tekemisessä. Tuloksena on saatu neliportainen kehityspolku, jota kulkemalla päästään kohti hahmotettua tavoitetilaa. Työn tuloksia käytetään hyväksi aloitettaessa konfiguraattorin kehitys Laroxilla sekä kehitettäessä koko tarjoustoimintaa ja elinkaarenaikaista tiedonhallintaa yrityksessä.

Aikasarja-analyysimenetelmien soveltuvuus maakaasun; hinnoittelussa käytettyjen sidonnaisuustekijöiden ennustamisessa: Case Gasum Oy

Tässä tutkielmassatarkastellaan maakaasun hinnoittelussa käytettyjen sidonnaisuustekijöiden hintadynamiikkaa ja niiden vaikutusta maakaasun hinnanmuodostukseen. Pääasiallisena tavoitteena on arvioida eri aikasarjamenetelmien soveltuvuutta sidonnaisuustekijöiden ennustamisessa. Tämä toteutettiin analysoimalla eri mallien ja menetelmien ominaisuuksia sekä yhteen sovittamalla nämä eri energiamuotojen hinnanmuodostuksen erityispiirteisiin. Tutkielmassa käytetty lähdeaineisto on saatu Gasum Oy:n tietokannasta. Maakaasun hinnoittelussa käytetään kolmea sidonnaisuustekijää seuraavilla painoarvoilla: raskaspolttoöljy 50%, indeksi E40 30% ja kivihiili 20%. Kivihiilen ja raskaan polttoöljyn hinta-aineisto koostuu verottomista dollarimääräisistä kuukausittaisista keskiarvoista periodilta 1.1.1997 - 31.10.2004. Kotimarkkinoiden perushintaindeksin alaindeksin E40 indeksi-aineisto, joka kuvaa energian tuottajahinnan kehitystä Suomessa ja koostuu tilastokeskuksen julkaisemista kuukausittaisista arvoista periodilta 1.1.2000 - 31.10.2004. Tutkimuksessa tarkasteltujen mallien ennustuskyky osoittautui heikoksi. Kuitenkin tuloksien perusteella voidaan todeta, että lyhyellä aikavälillä EWMA-malli antoi harhattomimman ennusteen. Muut testatuista malleista eivät kyenneet antamaan riittävän luotettavia ja tarkkoja ennusteita. Perinteinen aikasarja-analyysi kykeni tunnistamaan aikasarjojen kausivaihtelut sekä trendit. Lisäksi liukuvan keskiarvon menetelmä osoittautui jossain määrin käyttökelpoiseksi aikasarjojen lyhyen aikavälin trendien identifioinnissa.