Päästövaatimukset ja läpinäkyvyys kaukolämmön tuotannossa

Harri Lääveri
Kaukolämpö CO2 Reaaliaikainen data päästöt

Kaukolämpöverkot ovat selvinneet keveämmällä säätelyllä kuin sähköverkot. Markkina on itsessään onnistunut pitämään loppuasiakkaan kustannukset kohtuullisella tasolla, eikä viranomaissäätelylle ole ollut tältä osin perusteita. Tuottajat ja toimittajat ovat myös itse vapaaehtoisilla toimillaan kyenneet pitämään huolen infrastruktuurin tehokkuudesta, toiminnasta sekä turvallisuudesta, jolloin tähänkään ole ollut tarvetta puuttua viranomaisten toimesta. 

Päästötehokkuuteen liittyvät vaatimukset kuitenkin koskettavat myös kaukolämmön tuotantoa sekä jakelua. Pariisin ilmastosopimuksen asettamat ja Suomen hyväksymät tavoitteet ovat kovat, ja niihin pääsemiseksi on tehtävä ponnisteluja.  

Isoin haaste alalla tällä hetkellä on reaaliaikaisen tiedon puute, ja se jarruttaa monen pyrkimyksiä vähentää päästöjä. 

 

Vaatimuksista tarkemmin

EU:n energia- ja ilmastopolitiikan tavoitteet vuoteen 2020 olivat vähentää 20 % kasvihuonepäästöjä vuoden 1990 tasoon nähden. Suomen hyväksymässä Pariisin ilmastosopimuksessa asetettiin vuodelle 2050 tavoitteeksi 80 % päästövähennys. Antti Rinteen hallituksen hallitusohjelmaan oli asetettu tavoite hiilineutraalista Suomesta vuoteen 2035 mennessä. 

Tilastokeskuksen tietojen pohjalta arvioiden vuoden 2020 tavoitteeseen voidaan hyvinkin päästä, mutta vaatimusten kasvaessa, on toimenpiteiden kasvettava mukana. 

Lisäksi on täysin mahdollista, että vaatimukset tulevat seuraavan kymmenen vuoden aikana kovenemaan entisestään, kun saamme uutta tietoa päästöjen vaikutuksesta ilmastoon. 

 

Miten reaaliaikainen tieto auttaa vastaamaan vaatimuksiin? 

Päästöjen vähentäminen nykyisissä kaukolämmön tuotantolaitoksissa on sekä polttoaine- että tuotantotehokkuuskysymys. Säätely ottaa kantaa myös polttoaineisiin, ja uusiutuvien energianlähteiden käyttöä on kyettävä kasvattamaan merkittävästi. Kaukolämmön tuotannon yhteydessä tämä tarkoittaa käytännössä biomassaa. Myös turve yhteiskäytettynä puuhakkeen kanssa on yhä mahdollinen polttoaine. 

Tuotantotehokkuuden suhteen reaaliaikainen tieto mahdollistaa huomattavia parannuksia kaikilla tasoilla. Saman datan kertyessä historiatiedoksi, voidaan koneoppimista hyödyntämällä myös ennustaa tulevaa, joka mahdollistaa vielä suurempia loikkia päästötehokkuudessa. 

 

Kaukolämpöyrityksen eri tasot ja datan luomat hyödyt

Prosessitasosta on usein tuotantolaitoksilla jo nyt olemassa reaaliaikaista tietoa, jota seurataan laitosten valvomoissa. Tällä tasolla parannukset liittyvät tuon tiedon parempaan hyödyntämiseen sekä jalostamiseen. Prosesseista syntyvä tiedon jalostaminen parhaiksi käytännöiksi eri tilanteisiin ja tuotanto- sekä päästötehokkuuden parantaminen tätä kautta. 

Laitostasolla ongelma on hyvin usein se, että reaaliaikainen tieto sekä tuotantotehosta että päästöistä puuttuu kokonaan. Päästöjen hallitseminen on hyvin vaikeaa ilman reaaliaikaista tietoa tuotannon tilasta. Kun tuo data on saatu näkyville ja hyötykäyttöön, on laitoksen toiminnan optimointi mahdollista. Reaaliaikainen tieto tehoista yhdistettynä prosessioptimointiin sekä tarpeiden ennakointiin, antaa hyvin johdetulle kaukolämmön tuotantolaitokselle mahdollisuudet tehdä merkittäviä parannuksia tehokkuudessa. 

Mikäli yrityksellä on useampia tuotantolaitoksia ja yrityksen johdolla on näkyvyys jokaisen laitoksen reaaliaikaiseen tilanteeseen, voidaan koko verkoston toimintaa säädellä ja optimoida pitkällä sekä lyhyellä aikajänteellä. Etäluettavien kaukolämpömittareiden keräämä data voidaan myös jalostaa asiakaskäyttäytymisen ennusteiksi. Säätilan ennusteista saadaan siitäkin helposti dataa.  

Kun nämä kaikki yhdistetään yhteen näkymään, on yrityksellä käsissään työkalut, joilla päästöjä voidaan tehokkaasti hallita. 

 

Miten tähän päästään?

Vaikka yllä olevat asiat voivat vaikuttaa massiivisilta muutoksilta nykytilanteeseen verrattuna, eivät ne sitä varsinaisesti ole. Biopolttoaineiden saatavuus kasvavaan tarpeeseen nähden asettaa haasteita tavoitteiden saavuttamiseen, mutta tuotannon tehokkuuden osalta merkittäviin toimenpiteisiin kyetään jo nyt. 

Datan kerääminen IoT:n perustuvilla ratkaisuilla ja sen jatkojalostaminen esim. Microsoftin pilvialustan Azuren sisäänrakennetuilla koneoppimisen ominaisuuksilla ovat molemmat täysin toteutettavissa olevia asioita.  

Myös ratkaisut kaiken mainitun datan esittämiseen yhdestä näkymästä ovat olemassa.  

Näillä keinoilla yhdistettynä uuteen ja moderniin biopolttolaitokseen esimerkiksi Kemin Energia ja Vesi uskoo pienentävänsä hiilidioksidipäästönsä kolmannekseen aiemmasta. Se alkaa olla jo lähellä niitä tavoitteita, joita mm. Pariisin ilmastosopimuksessa on asetettu. 


 

 


Harri Lääveri

Sähkönsäästöä SUPERSENSE Econ avulla

Reaaliaikainen data eco sähkö
Antti Lehikoinen

Hajautetun kaukolämpötuotannon seuranta Supersense Analyticsin avulla

Kaukolämpö supersense tilannekuva
Katri Keltikangas

Hyödynnä tekoäly ja koneoppiminen liiketoiminnassa

supersense KoneOppiminen TekoÄly

Näytä kaikki