{"id":882,"date":"2024-10-08T05:56:41","date_gmt":"2024-10-08T05:56:41","guid":{"rendered":"https:\/\/flaire.fi\/?p=882"},"modified":"2024-12-19T07:15:59","modified_gmt":"2024-12-19T07:15:59","slug":"carbon-dioxide-emissions-projection-model-for-the-finnish-sawmill-energy-system","status":"publish","type":"post","link":"https:\/\/flaire.fi\/en\/carbon-dioxide-emissions-projection-model-for-the-finnish-sawmill-energy-system\/blogs\/","title":{"rendered":"Hiilidioksidip\u00e4\u00e4st\u00f6jen ennustemalli Suomen s\u00e4hk\u00f6energiaj\u00e4rjestelm\u00e4lle"},"content":{"rendered":"
\"Green
shutterstock<\/figcaption><\/figure>\n\n\n\n

Kirjoittaja:<\/strong> Ville Kivel\u00e4, Opiskelija, ymp\u00e4rist\u00f6tekniikan maisteriohjelma, kest\u00e4v\u00e4t energiaj\u00e4rjestelm\u00e4t. Oulun yliopisto.<\/p>\n\n\n\n

\n\n\n\n

S\u00e4hk\u00f6energiaj\u00e4rjestelm\u00e4t niin maailmalla kuin Suomessakin muuttuvat nyt nopeasti. Uusiutuvan energian, kuten tuuli- ja aurinkovoiman, osuus s\u00e4hk\u00f6ntuotannosta kasvaa kiihtyv\u00e4ll\u00e4 vauhdilla. P\u00e4\u00e4st\u00f6tt\u00f6mien s\u00e4hk\u00f6ntuotantomenetelmien lis\u00e4\u00e4ntyv\u00e4 osuus on tietysti hyv\u00e4 uutinen hiilidioksidip\u00e4\u00e4st\u00f6jen v\u00e4hent\u00e4misen ja ilmastonmuutoksen torjunnan kannalta, mutta sen mukana tulee uusia haasteita: miten varmistamme, ett\u00e4 s\u00e4hk\u00f6\u00e4 on saatavilla oikea m\u00e4\u00e4r\u00e4, oikeaan aikaan, kun tuulta ei ole tarpeeksi tai aurinko ei paista?<\/p>\n\n\n\n

Uusiutuvaa energiaa ja uusia haasteita<\/strong><\/p>\n\n\n\n

S\u00e4hk\u00f6\u00e4 t\u00e4ytyy tuottaa joka hetki yht\u00e4 paljon kuin sit\u00e4 kulutetaan. Kun s\u00e4hk\u00f6ntuotanto nojaa entist\u00e4 enemm\u00e4n s\u00e4\u00e4tilan mukaan vaihtelevaan tuuli- ja aurinkovoimaan, on s\u00e4hk\u00f6verkon vakauden yll\u00e4pito muuttunut yh\u00e4 haastavammaksi. Yksi tapa vastata t\u00e4h\u00e4n haasteeseen on kulutusjousto, eli tilanne jossa s\u00e4hk\u00f6n kuluttajat \u2013 niin kotitaloudet kuin teollisuuskin \u2013 pyrkiv\u00e4t ajoittamaan ja siirt\u00e4m\u00e4\u00e4n s\u00e4hk\u00f6nk\u00e4ytt\u00f6ns\u00e4 ajankohtiin, jolloin s\u00e4hk\u00f6\u00e4 on runsaasti tarjolla joko suuresta tuotannosta tai matalasta kulutuksesta johtuen. Kulutusjousto voi tarkoittaa my\u00f6s s\u00e4hk\u00f6 k\u00e4yt\u00f6n v\u00e4hent\u00e4mist\u00e4 tilanteissa joissa sen tuotanto on rajoittunutta. Kulutusjouston tyypillisi\u00e4 toteutustapoja hetkitt\u00e4iseen kysynn\u00e4n tasoittamiseen ja siirt\u00e4miseen on kuvattu alla olevassa kuvassa 1 [1].<\/p>\n\n\n\n

\"\"
Kuva 1. Tyypillisi\u00e4 esimerkkej\u00e4 kulutusjouston toteutustavoista [1].<\/em><\/figcaption><\/figure>\n\n\n\n

S\u00e4hk\u00f6verkon hiilidioksidip\u00e4\u00e4st\u00f6jen ennustemalli saattaisi olla yksi tapa kannustaa s\u00e4hk\u00f6n loppuk\u00e4ytt\u00e4ji\u00e4 kulutusjoustoihin. Sen avulla voisi olla mahdollista viesti\u00e4, milloin s\u00e4hk\u00f6ntuotanto aiheuttaa eniten p\u00e4\u00e4st\u00f6j\u00e4 ja milloin v\u00e4hiten, jolloin kuluttajat ja teollisuus voisivat ajoittaa s\u00e4hk\u00f6nk\u00e4ytt\u00f6ns\u00e4 v\u00e4h\u00e4p\u00e4\u00e4st\u00f6isempiin ajankohtiin. Euroopan ymp\u00e4rist\u00f6viraston arvioiden mukaan esimerkiksi Euroopan s\u00e4hk\u00f6j\u00e4rjestelm\u00e4n joustokapasiteetin pit\u00e4\u00e4 v\u00e4hint\u00e4\u00e4n kaksinkertaistua jo vuoteen 2030 menness\u00e4 [2].<\/p>\n\n\n\n

Joustoista syntyv\u00e4t p\u00e4\u00e4st\u00f6v\u00e4hennykset eiv\u00e4t ole pelk\u00e4st\u00e4\u00e4n ymp\u00e4rist\u00f6kysymys, vaan niill\u00e4 on my\u00f6s taloudellinen puoli. Korkeap\u00e4\u00e4st\u00f6isi\u00e4 hetki\u00e4 v\u00e4ist\u00e4m\u00e4ll\u00e4 erityisesti teollisuudessa voidaan s\u00e4\u00e4st\u00e4\u00e4 rahaa, koska p\u00e4\u00e4st\u00f6kaupan piiriin kuuluvien teollisuuslaitoksien on ostettava p\u00e4\u00e4st\u00f6oikeuksia EU:n p\u00e4\u00e4st\u00f6kaupasta. P\u00e4\u00e4st\u00f6ennustemalli voisi siis toimia taloudellisena optimointiparametrina varsinkin niiss\u00e4 tilanteissa miss\u00e4 p\u00e4\u00e4st\u00f6t ovat korkeat, mutta s\u00e4hk\u00f6n hinta on maltillinen.<\/p>\n\n\n\n

Tutkimusten mukaan Eurooppalaiset kotitaloudet arvottavat kulutusjouston mahdolliset taloudelliset s\u00e4\u00e4st\u00f6t p\u00e4\u00e4asiallisena syyn\u00e4 j\u00e4rjestelm\u00e4n k\u00e4ytt\u00f6\u00f6nottoon, kasvihuonekaasutp\u00e4\u00e4st\u00f6jen ja ymp\u00e4rist\u00f6vaikutusten v\u00e4hent\u00e4misen ollessa arvoj\u00e4rjestyksess\u00e4 seuraavana. Suurimpina haasteina mainitaan tarvittavien laitteiden, palvelujen ja yll\u00e4pidon hinta. [3]<\/p>\n\n\n\n

Koneoppiminen ennustamisen tukena<\/strong><\/p>\n\n\n\n

Koneoppiminen on yksi uusista ty\u00f6kaluista, jota voi k\u00e4ytt\u00e4\u00e4 ennustemallien rakentamiseen tai paranteluun. Yksinkertaisuudessaan koneoppiminen tarkoittaa sit\u00e4, ett\u00e4 tietokoneohjelma oppii datan avulla parantamaan suorituskyky\u00e4\u00e4n l\u00f6yt\u00e4m\u00e4ll\u00e4 siit\u00e4 yhteyksi\u00e4 ja s\u00e4\u00e4nn\u00f6nmukaisuuksia ilman erillist\u00e4 ohjausta. Ennustemallien tapauksessa se tarkoittaa sit\u00e4, ett\u00e4 malli oppii aikaisemman energiantuotannon, ja mahdollisesti muiden siihen liittyvien muuttujien, vaikutukset p\u00e4\u00e4st\u00f6ihin ja osaa mallin koulutuksen j\u00e4lkeen n\u00e4iden tietojen pohjalta ennustaa tulevia arvoja kuvan 2 esimerkin tapaan. [4][5]<\/p>\n\n\n\n

\"Forecast
Kuva 2. Prophetilla luotu ennuste (forecast) ja historiallinen data (mustat pisteet) [10].<\/em><\/figcaption><\/figure>\n\n\n\n

Kaksi eritt\u00e4in suosittua ja laajasti k\u00e4ytetty\u00e4 aikasarjaennustemallia ovat Facebookin Prophet ja siit\u00e4 Standfordin yliopistossa jatkokehitetty NeuralProphet. Prophet on tilastollinen malli, joka ennustaa tunnistamalla trendej\u00e4 ja kausivaihteluita datasta. NeuralProphet lis\u00e4\u00e4 ennustemalliin neuroverkkopohjaisia komponentteja, jotka parantavat mallin kyky\u00e4 tehd\u00e4 varsinkin tarkempia lyhyen aikav\u00e4lin ennusteita. [6][7]<\/p>\n\n\n\n

Ennustemallin kehityksess\u00e4 k\u00e4ytettiin avoimesti saatavilla olevaa dataa, joka haettiin p\u00e4\u00e4asiassa Suomen kantaverkko-operaattorin, Fingridin, avoimen datan palvelusta ja Euroopan kantaverkkoyhti\u00f6iden yhteisty\u00f6j\u00e4rjest\u00f6 ENTSO-E:n vastaavasta dataportaalista. N\u00e4m\u00e4 datal\u00e4hteet tarjoavat tietoa muun muassa s\u00e4hk\u00f6n kysynn\u00e4st\u00e4, tuotannosta, s\u00e4\u00e4tiloista, sek\u00e4 s\u00e4hk\u00f6ntuotannon p\u00e4\u00e4st\u00f6ist\u00e4. Riitt\u00e4v\u00e4, monipuolinen ja laadukas data on keskeisess\u00e4 roolissa kyvykk\u00e4iden ennustemallien kehityksess\u00e4. [8][9]<\/p>\n\n\n\n

P\u00e4\u00e4st\u00f6ennustemallin kehityksen nykytila<\/strong><\/p>\n\n\n\n

T\u00e4ll\u00e4 hetkell\u00e4 aikasarjaennustamisen huipputason mallit (SOTA, state-of-the-art), yhdist\u00e4v\u00e4t tilastollisia metoja ja koneoppimista tai syv\u00e4oppimista [11][12]. Hybridimallit, kuten NeuralProphet, k\u00e4ytt\u00e4v\u00e4t molempia l\u00e4hestymistapoja ja ne pystyv\u00e4t lis\u00e4ksi sovittamaan tilastollisten mallien ja neuroverkkojen parametrit yht\u00e4aikaisesti tyypillisesti jotain gradienttimenetelm\u00e4\u00e4 k\u00e4ytt\u00e4en. Hybridimallien etu on, ett\u00e4 ne tunnistavat niin suuret trendit ja jaksollisuudet kuin nopeat muutokset ja ep\u00e4lineaariset riippuvuussuhteet, mik\u00e4 tekee niist\u00e4 erityisen hy\u00f6dyllisi\u00e4 vaihtelevan s\u00e4hk\u00f6ntuotannon p\u00e4\u00e4st\u00f6jen ennustamisessa. [13]<\/p>\n\n\n\n

Toistaiseksi Flaire -projektissa kes\u00e4ll\u00e4 2024 kehitetyt parhaimmat NeuralProphet-ennustemallit ovat kyenneet tarkkoihin 24 tunnin p\u00e4\u00e4st\u00f6ennusteisiin maltillisten p\u00e4\u00e4st\u00f6vaihtelujen p\u00e4ivin\u00e4, jolloin suurin tuntikohtainen ennustevirhe on j\u00e4\u00e4nyt noin 10%:n. Haastavampina p\u00e4ivin\u00e4 malli kykenee t\u00e4ll\u00e4 hetkell\u00e4 ennustamaan p\u00e4\u00e4st\u00f6jen p\u00e4\u00e4piirteitt\u00e4isen profiilin kuten kuvasta 3 voidaan n\u00e4hd\u00e4.<\/p>\n\n\n\n

\"24-hour
Kuva 3. NeuralProphet-mallin tuottama 24-tunnin p\u00e4\u00e4st\u00f6kerroinennuste (vihre\u00e4ll\u00e4).<\/em><\/figcaption><\/figure>\n\n\n\n

Absoluuttisia p\u00e4\u00e4st\u00f6laskelmia ennusteiden perusteella ei kannata viel\u00e4 tehd\u00e4 sill\u00e4 p\u00e4\u00e4st\u00f6kertoimen tuntikohtainen virhe verrattuna tiedettyyn arvoon voi olla jopa yli 20%. Selke\u00e4 rajoite edell\u00e4 mainitun mallin kehitykselle oli mm. se, ett\u00e4 p\u00e4\u00e4st\u00f6ihin liittyvi\u00e4 muita datasarjoja ja korkean tason (hyper) parametrien optimointia pystyttiin k\u00e4ytt\u00e4m\u00e4\u00e4n hyvin rajoitetusti laskentatehon puutteista johtuen.<\/p>\n\n\n\n

Ennustemallin kehityssuunnat<\/strong><\/p>\n\n\n\n

Nykyisten ennustemallien kyvykkyytt\u00e4 seuraavan 24 tunnin hiilidioksidip\u00e4\u00e4st\u00f6kertoimen arvioimiseen voidaan parantaa monin tavoin, kuten sy\u00f6tt\u00e4m\u00e4ll\u00e4 niille koulutusdataa pidemm\u00e4lt\u00e4 ajalta, lis\u00e4\u00e4m\u00e4ll\u00e4 eri tuotantoteknologioille omat oletuksensa tai ennusteensa ja hy\u00f6dynt\u00e4m\u00e4ll\u00e4 todellisia s\u00e4\u00e4ennusteita paremmalla maantieteellisell\u00e4 kattavuudella. P\u00e4\u00e4st\u00f6jen kanssa korreloivien ominaisuuksien lis\u00e4\u00e4minen koulutusdataan sek\u00e4 pidempien datasarjojen k\u00e4ytt\u00f6 saattaisivat my\u00f6s merkitt\u00e4v\u00e4sti parantaa mallien suorituskyky\u00e4. Datan lis\u00e4\u00e4minen ja mallien kompleksisuuden kasvattaminen tulevat vaatimaan lis\u00e4\u00e4 laskentatehoa ja kehityspanostuksia.<\/p>\n\n\n\n

Ristiinvalidointi ja historiallisten ennusteiden testaus voisivat auttavat lis\u00e4\u00e4m\u00e4\u00e4n mallien luotettavuutta ja yleistett\u00e4vyytt\u00e4. Muita tyypillisi\u00e4 menetelmi\u00e4 ovat laajempi hyperparametrien optimointi ja mallien keskiarvoistus, pinoaminen tai per\u00e4tt\u00e4ist\u00e4minen. My\u00f6s uusia tunnetusti aikasarjaennustamisessa kyvykk\u00e4it\u00e4, esimerkiksi hybridi- ja yhdistelm\u00e4malleja, voitaisiin kokeilla tai kehitt\u00e4\u00e4. Yksi tehokkaimmista keinoista mallien tarkkuuden parantamiseen on ennustehorisontin lyhent\u00e4minen alle 24 tunnin, mutta se mahdollisesti heikent\u00e4isi ennusteen hy\u00f6dyllisyytt\u00e4 s\u00e4hk\u00f6nk\u00e4yt\u00f6n suunnittelussa.<\/p>\n\n\n\n

Lopuksi<\/strong><\/p>\n\n\n\n

Tulevaisuuden joustava energiaj\u00e4rjestelm\u00e4 ei ole pelk\u00e4st\u00e4\u00e4n teknologinen haaste vaan se on t\u00e4rke\u00e4 osa ilmastonmuutoksen torjuntaa ja yhteiskuntamme kest\u00e4vyyden ja oikeudenmukaisuuden turvaamista. Tarpeeksi luotettava s\u00e4hk\u00f6energianj\u00e4rjestelm\u00e4n hiilidioksidip\u00e4\u00e4st\u00f6jen ennustemalli antaisi meille yhden lis\u00e4mahdollisuuden suunnitella s\u00e4hk\u00f6n k\u00e4ytt\u00f6\u00e4 ja siten v\u00e4hent\u00e4\u00e4 p\u00e4\u00e4st\u00f6j\u00e4 sek\u00e4 tukea s\u00e4hk\u00f6verkon vakautta. Ennustemallin avulla s\u00e4hk\u00f6n kulutuksesta voisi tulla paitsi ymp\u00e4rist\u00f6yst\u00e4v\u00e4llisemp\u00e4\u00e4, my\u00f6s taloudellisesti j\u00e4rkev\u00e4mp\u00e4\u00e4 ja mallin ennusteiden ollessa avoimesti saatavilla jokainen voisi hy\u00f6ty\u00e4 sen k\u00e4yt\u00f6st\u00e4 pienin kustannuksin.<\/p>\n\n\n\n

L\u00e4hteet:<\/strong><\/p>\n\n\n\n

    \n
  1. H. Johra, A. Marszal-Pomianowska, J. R. Ellingsgaard, and M. Liu, \"Building energy flexibility: a sensitivity analysis and key performance indicator comparison<\/a>\", Journal of Physics: Conference Series, vol. 1343, p. 012064, Nov. 2019.<\/li>\n\n\n\n
  2. European Environment Agency, \"Flexibility solutions to support a decarbonised and secure EU electricity system<\/a>\", Oct. 20, 2023. (accessed Oct. 07, 2024).<\/li>\n\n\n\n
  3. F. D'Ettorre et al, \"Exploiting demand-side flexibility: State-of-the-art, open issues and social perspective<\/a>\", Renewable and Sustainable Energy Reviews, vol. 165, p. 112605, Sep. 2022. <\/li>\n\n\n\n
  4. Hyndman, R.J., & Athanasopoulos, G. (2021), Forecasting: principles and practice<\/a>, Chap. 1.4, 3rd edition, OTexts: Melbourne, Australia. (Accessed on 7.10.2024)<\/li>\n\n\n\n
  5. R. P. Masini, M. C. Medeiros, and E. F. Mendes, \"Machine learning advances for time series forecasting<\/a>\", Journal of Economic Surveys, vol. 37, no. 1, Jul. 2021.<\/li>\n\n\n\n
  6. Taylor SJ, Letham B. 2017. Forecasting at scale<\/a>. PeerJ Preprints 5:e3190v2. <\/li>\n\n\n\n
  7. Oskar Triebe, Hansika Hewamalage, Polina Pilyugina, Nikolay Laptev, Christoph Bergmeir, and R. Rajagopal, \"NeuralProphet: Explainable Forecasting at Scale<\/a>\", arXiv (Cornell University), Nov. 2021.<\/li>\n\n\n\n
  8. Fingrid, \"Open Data\"<\/a>, 2024.<\/li>\n\n\n\n
  9. ENTSO-E, \"Transparency Platform<\/a>\", 2024.<\/li>\n\n\n\n
  10. B. Obeidat, B. Smith, and B. Heintz, \"Time Series Forecasting with Prophet & Spark<\/a>,\" Databricks, Jan. 27, 2020. (accessed Oct. 07, 2024).<\/li>\n\n\n\n
  11. S. Makridakis, E. Spiliotis, and V. Assimakopoulos, \"The M4 Competition: 100,000 time series and 61 forecasting methods,<\/a>\"International Journal of Forecasting, vol. 36, no. 1, pp. 54-74, Jan. 2020. <\/li>\n\n\n\n
  12. S. Smyl, \"A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting<\/a>,\" International Journal of Forecasting, vol. 36, no. 1, Jul. 2019. <\/li>\n\n\n\n
  13. K. Leerbeck et al, \"Short-term forecasting of CO2 emission intensity in power grids by machine learning<\/a>,\" Applied Energy, vol. 277, p. 115527, Nov. 2020.<\/li>\n<\/ol>\n\n\n\n

    8.10.2024.<\/strong><\/p>\n\n\n

    \n\t\t\t