5 tapaa, joilla data mahdollistaa paremman tuotantotehokkuuden kaukolämpölaitoksessa 

22.4.2020| Harri Lääveri
Kaukolämpö Reaaliaikainen data

Data on keskiössä, kun halutaan parantaa kaukolämpölaitoksen tuotannon tehokkuutta. Sama pätee myös päästötehokkuuteen. Dataa kertyy tuotantolaitoksesta, kaukolämpöverkosta ja verkkoon kuuluvista kiinteistöistä. Supersense kokoaa tuon datan yhteen, jatkojalostaa datan hyödylliseen muotoon ja mahdollistaa sen muotoilun selkeiksi esityksiksi. 

Olemme käsitelleet ylätasolla reaaliaikaisen- ja historiadatan hyödyntämistä energiantuotannon päästö- ja tuotantotehokkuuden parantamisessa jo aiemmin. Nyt halusimme kertoa konkreettisia esimerkkejä tavoista, joilla datan avulla voidaan parantaa kaukolämpölaitoksen tuotantotehokkuutta.  

 

1. Reaaliaikainen tilannekuva kaukolämpöverkon ja -tuotantolaitoksen tilasta on ensimmäinen askel kohti optimaalista tuotantoa 

Tehokkuuden parantaminen lähtee aina nykytilan laajamittaisesta tuntemisesta. Dataa kertyy itse lämpölaitoksen toiminnasta ja esimerkiksi kaukolämpöverkon paine-eroista. Suurin osa moderneista valvomoteknologioista kerryttää jo nyt dataa tuotannosta. Kaukolämpöverkosta dataa saadaan myös kerättyä helposti. 

Kyse onkin pääasiassa tuon datan kokoamisesta yhteen paikkaan, sen jatkojalostamisesta hyödyllisiksi numeraalisiksi mittareiksi sekä näiden esittämisestä selkeässä muodossa. Kun nähdään reaaliaikaisesti, kuinka paljon tulisi olla tuotannossa kullakin hetkellä, kuinka paljon todellisuudessa tuotetaan ja kuinka paljon verkko pystyy ottamaan vastaan, ollaan hyvässä lähtötilanteessa optimoinnin suhteen. 

Optimointia on halutessaan mahdollista lisäksi automatisoida. 

 

2. Tuotantotarpeiden ennakointi historiatietoon perustuen 

Data, jota seurataan reaaliajassa, kertyy samalla historiatiedoksi tietovarastoon. Kun tuotannosta sekä kaukolämpöverkosta kertynyttä dataa rikastetaan esimerkiksi säätiedoilla ja muilla olosuhteisiin vaikuttaneilla tiedoilla, saadaan analysoitavaksi tarkkaa tietoa myös tuotannon ja jakelun ympäriltä. Tämän pohjalta Supersense kykenee tekemään tarkkojakin ennusteita tulevista tuotantotarpeista. 

Näin kyetään optimoimaan sekä tuotantolaitoksen että kaukolämpöverkon toimintaa myös ennalta. Tämä luonnollisesti johtaa entistä parempaan tuotanto- ja päästötehokkuuteen. 

 

3. Huoltokatkojen optimaalinen ajoittaminen  

Voimalaitoksissa joudutaan väistämättä ajoittain keskeyttämään tuotanto huoltokatkojen ajaksi. Huoltokatkot suunnitellaan perinteisesti kuluvien osien iän mukaan ja ajoitetaan siten, että mahdollisimman paljon toimenpiteitä kyetään tekemään kerralla.  

Datan avulla kyetään huoltokatkot ajoittamaan aiempaa paremmin, ja siten minimoimaan niiden vaikutus tuotantotehoon. Huoltokatkot kyetään ajoittamaan esimerkiksi sen mukaan, milloin tuotannontarve on historiatiedon valossa pienimmillään. Jos energiantuotantolaitoksia on useampia kuin yksi, voidaan lisäksi suunnitella huoltokatkosta johtuvan tuotantovajeen kompensaatio muilla laitoksilla. 

Datan avulla saadaan myös tarkempaa tietoa huoltotarpeista. Esimerkiksi lämpöpumppujen paine-erojen muutoksista sekä niiden vaikutuksesta tuotantotehoon. 

 

4. Ylituotannon välttäminen johtaa parempaan päästötehokkuuteen 

Vaikka päästötehokkuus ei suoraan vaikuta tuotantotehoon, on sillä huomattava vaikutus kaukolämpöä tuottavan yrityksen kannattavuuteen. Päästöjen minimoinnin myötä, voi energiayhtiöllä jäädä päästöoikeuksia käyttämättä (olettaen tietysti, että yritys kuuluu päästökaupan piiriin), jotka voidaan myydä eteenpäin. 

Luonnollisesti päästöjen vähentämiseen tulee pyrkiä myös monista muista syistä. 

 

5. Kiinteistöille tarjottavat lämmityksen seuranta- ja optimointi palvelut

Yhä useammat kaukolämpöyritys tarjoavat kiinteistöjen lämmityksen seuranta- ja optimointipalveluita. Nämä perustuvat moderneihin IoT-ominaisuuksilla varustettuihin lämmönvaihtimiin, jotka lähettävät ja vastaanottavat dataa verkossa. Ne keräävät tietoa kiinteistöjen lämmitystottumuksista ja vastavuoroisesti tarjoavat kiinteistön haltijalle lämmityksen optimointia palveluna.  

Tällä kiinteistöjen lämmönkäytöstä kertyvällä datalla kyetään rikastamaan tuotannon tarve-ennusteita entisestään ja parantamaan samalla tuotantotehokkuutta vielä enemmän. 


13.8.2021| Antti Lehikoinen

Hajautetun kaukolämpötuotannon seuranta Supersense Analyticsin avulla

Kaukolämpö supersense tilannekuva
26.7.2021| Katri Keltikangas

Hyödynnä tekoäly ja koneoppiminen liiketoiminnassa

supersense KoneOppiminen TekoÄly
25.7.2021| Innotect Oy

Asiantuntijaesittely: Aapo Jaakkola

Innotect Asiantuntijamme MeidänTiimi

Näytä kaikki