Ilmastonmuutoksen vaikutussähköverkkoliiketoimintaan

Tässä diplomityössä tutkittiin ilmastonmuutoksen vaikutusta sähköverkkoliiketoimintaan. Ilmastonmuutosennusteet laadittiin RCAOilmastomallin antamien laskelmien perusteella. Ilmastomuuttujien ennusteet tehtiin ajanjaksolle 2016 - 2045 ja ennusteiden vertailujaksona käytettiin ajanjaksoa 1960 - 1990. Ennusteet laadittiin sadannalle, lämpötilalle, kuuraantumiselle, huurteelle, ukkoselle, routaantumiselle ja tuulisuudelle. Ilmastomuuttujien vaikutukset arvioitiin sekä tekniseltä että taloudelliselta kannalta. Ilmastonmuutoksen myötä on odotettavissa, että ilmastomuuttujien aiheuttamat rasitukset verkkoliiketoimintaa kohtaan tulevat olemaan niistä saatuja hyötyjä suuremmat. Vikamäärien kasvu on merkittävin ja haastavin ilmastonmuutoksen aiheuttama haitta. Ukkonen, lumikuormat ja tuuli tulevat aiheuttamaan nykyistä enemmän vikoja erityisesti keskijänniteverkoissa avojohdoille ellei verkkoja kehitetä vikavarmemmiksi. Lämpötilan nousun seurauksena lämmitystarve laskee ja jäähdytystarve nousee. Tämä näkyy merkittävimmin voimakkaasti lämpötilariippuvaisten käyttäjäryhmien sähkönkulutuksessa ja huippukuormissa.

Sähkökäyttöisen konejärjestelmän vuorovaikutteinen simulointi

Työn tavoitteena oli toteuttaa simulointimalli, jolla pystytään tutkimaan kestomagnetoidun tahtikoneen aiheuttaman vääntömomenttivärähtelyn vaikutuksia sähkömoottoriin liitetyssä mekaniikassa. Tarkoitus oli lisäksi selvittää kuinka kyseinen simulointimalli voidaan toteuttaa nykyaikaisia simulointiohjelmia käyttäen. Saatujen simulointitulosten oikeellisuus varmistettiin tätä työtä varten rakennetulla verifiointilaitteistolla. Tutkittava rakenne koostui akselista, johon kiinnitettiin epäkeskotanko. Epäkeskotankoon kiinnitettiin massa, jonka sijaintia voitiin muunnella. Massan asemaa muuttamalla saatiin rakenteelle erilaisia ominaistaajuuksia. Epäkeskotanko mallinnettiin joustavana elementtimenetelmää apuna käyttäen. Mekaniikka mallinnettiin dynamiikan simulointiin tarkoitetussa ADAMS –ohjelmistossa, johon joustavana mallinnettu epäkeskotanko tuotiin ANSYS –elementtimenetelmäohjelmasta. Mekaniikan malli siirrettiin SIMULINK –ohjelmistoon, jossa mallinnettiin myös sähkökäyttö. SIMULINK –ohjelmassa mallinnettiin sähkökäyttö, joka kuvaa kestomagnetoitua tahtikonetta. Kestomagnetoidun tahtikoneen yhtälöt perustuvat lineaarisiin differentiaaliyhtälöihin, joihin hammasvääntömomentin vaikutus on lisätty häiriösignaalina. Sähkökäytön malli tuottaa vääntömomenttia, joka syötetään ADAMS –ohjelmistolla mallinnettuun mekaniikkaan. Mekaniikan mallista otetaan roottorin kulmakiihtyvyyden arvo takaisinkytkentänä sähkömoottorin malliin. Näin saadaan aikaiseksi yhdistetty simulointi, joka koostuu sähkötoimilaitekäytöstä ja mekaniikasta. Tulosten perusteella voidaan todeta, että sähkökäyttöjen ja mekaniikan yhdistetty simulointi on mahdollista toteuttaa valituilla menetelmillä. Simuloimalla saadut tulokset vastaavat hyvin mitattuja tuloksia.

Ilmastonmuutoksen vaikutus energialiiketoimintaan

Tässä kandidaatin työssä tarkasteltiin ilmastonmuutoksen vaikutuksia energialiiketoimintaan Suomessa. Ilmastonmuutoksen vaikutuksia on tutkittu RCAO- ilmastomallilla, missä luotiin ilmaston muuttumisen skenaariot eri ilmastotekijöille ajanjaksolle 2016- 2045. Mallin avulla saadut tulokset ovat suuntaa antavia ja niihin on suhtauduttava kriittisesti. Ilmastonmuutoksen myötä on odotettavissa, että vikojen määrä tulee lisääntymään. Suomessa suuri osa keskijänniteverkosta on rakennettu metsien läpi ja ne ovat erittäin vika-alttiita. Tuulisuuden lisääntyminen, ukkosmäärien kasvu ja tykkylumi lisäävät tulevaisuudessa metsien keskelle rakennettujen verkkojen vikoja ellei niitä kehitetä vikavarmemmiksi. Verkkojen siirtäminen teiden varsiin ja kaapelointiasteen lisääminen ovat varmasti oikeita ratkaisuja tulevaisuuden kannalta. Verkkoyhtiöille ilmastonmuutos aiheuttaa luultavasti enemmän haittoja kuin hyötyjä. Vikojen lisääntyminen ja kunnossapidon kasvu aiheuttavat kuluja ja heikentävät energialiiketoiminnan kannattavuutta. Verkon luotettavuuden parantaminen näkyy investointikustannusten kasvuna. Sadannan lisääntyminen ja routaantumisen vähentyminen pehmentää maata ja heikentää kunnossapitoon käytettävien koneiden liikkumista maastossa.

Bayesian methods for estimation, optimization and experimental design

Mathematical models often contain parameters that need to be calibrated from measured data. The emergence of efficient Markov Chain Monte Carlo (MCMC) methods has made the Bayesian approach a standard tool in quantifying the uncertainty in the parameters. With MCMC, the parameter estimation problem can be solved in a fully statistical manner, and the whole distribution of the parameters can be explored, instead of obtaining point estimates and using, e.g., Gaussian approximations. In this thesis, MCMC methods are applied to parameter estimation problems in chemical reaction engineering, population ecology, and climate modeling. Motivated by the climate model experiments, the methods are developed further to make them more suitable for problems where the model is computationally intensive. After the parameters are estimated, one can start to use the model for various tasks. Two such tasks are studied in this thesis: optimal design of experiments, where the task is to design the next measurements so that the parameter uncertainty is minimized, and model-based optimization, where a model-based quantity, such as the product yield in a chemical reaction model, is optimized. In this thesis, novel ways to perform these tasks are developed, based on the output of MCMC parameter estimation. A separate topic is dynamical state estimation, where the task is to estimate the dynamically changing model state, instead of static parameters. For example, in numerical weather prediction, an estimate of the state of the atmosphere must constantly be updated based on the recently obtained measurements. In this thesis, a novel hybrid state estimation method is developed, which combines elements from deterministic and random sampling methods.

On state and parameter estimation in chaotic systems

State-of-the-art predictions of atmospheric states rely on large-scale numerical models of chaotic systems. This dissertation studies numerical methods for state and parameter estimation in such systems. The motivation comes from weather and climate models and a methodological perspective is adopted. The dissertation comprises three sections: state estimation, parameter estimation and chemical data assimilation with real atmospheric satellite data. In the state estimation part of this dissertation, a new filtering technique based on a combination of ensemble and variational Kalman filtering approaches, is presented, experimented and discussed. This new filter is developed for large-scale Kalman filtering applications. In the parameter estimation part, three different techniques for parameter estimation in chaotic systems are considered. The methods are studied using the parameterized Lorenz 95 system, which is a benchmark model for data assimilation. In addition, a dilemma related to the uniqueness of weather and climate model closure parameters is discussed. In the data-oriented part of this dissertation, data from the Global Ozone Monitoring by Occultation of Stars (GOMOS) satellite instrument are considered and an alternative algorithm to retrieve atmospheric parameters from the measurements is presented. The validation study presents first global comparisons between two unique satellite-borne datasets of vertical profiles of nitrogen trioxide (NO3), retrieved using GOMOS and Stratospheric Aerosol and Gas Experiment III (SAGE III) satellite instruments. The GOMOS NO3 observations are also considered in a chemical state estimation study in order to retrieve stratospheric temperature profiles. The main result of this dissertation is the consideration of likelihood calculations via Kalman filtering outputs. The concept has previously been used together with stochastic differential equations and in time series analysis. In this work, the concept is applied to chaotic dynamical systems and used together with Markov chain Monte Carlo (MCMC) methods for statistical analysis. In particular, this methodology is advocated for use in numerical weather prediction (NWP) and climate model applications. In addition, the concept is shown to be useful in estimating the filter-specific parameters related, e.g., to model error covariance matrix parameters.