Heat Load Forecasting: Handling Concept Drifts in District Heating Systems

Mielck, Klaas

4. Term

Urban, Energy and Environmental Planning, Master

2023

41

At forudsige, hvor meget varme et fjernvarmesystem får brug for, er afgørende for at drive det effektivt. I dag er data­drevne modeller den førende metode til sådan varmeprognose. Men nøjagtigheden kan falde, når forholdene ændrer sig over tid—et problem kaldet konceptdrift, hvor sammenhængen mellem varmebelastning og andre variabler ændres. Det kan ske ved ændret brugeradfærd under en energikrise eller når nettet udbygges. Denne afhandling undersøger, hvordan forskellige læringsstrategier kan bruges i data­drevne modeller til at håndtere konceptdrift, med særligt fokus på netudbygninger i et dansk fjernvarmesystem. Vi skabte kontrollerede konceptdrift ved syntetisk at indsætte forskellige trinvisse netudbygninger og testede to strategier med lineær regression (en simpel statistisk model): offline-læring med periodisk gentræning og online-læring, der opdaterer sig løbende. Modellerne forudsagde timevise varmebelastninger for en uge frem. Resultaterne viser, at daglig gentræning og online-læring håndterer konceptdrift tilstrækkeligt og er robuste over for forskellige styrker af drift. Omvendt er en baseline med offline lineær regression uden gentræning følsom over for drift. At medtage nyligt observerede varmebelastninger i modellen kan dog gøre baseline mere robust. Fundene kan hjælpe udviklere af prognosemodeller og fjernvarmeoperatører med at fastholde stabile prognoser, når fjernvarmesystemer ændrer sig.

Predicting how much heat a district heating system will need is essential for operating it efficiently. Today, the leading approach is data-driven modeling. However, accuracy can drop as conditions change over time—a challenge known as concept drift, where the relationship between heat load and other variables shifts. This can happen when customers change behavior during an energy crisis or when the grid is expanded. This thesis examines how different learning strategies can help data-driven heat load forecasts handle concept drift, with a special focus on grid expansions in a Danish district heating system. We created controlled drifts by synthetically inserting several levels of incremental grid expansion and tested two strategies using linear regression (a simple statistical model): offline learning with periodic retraining and online learning that updates continuously. The models predicted hourly heat load for a forecast horizon of one week. Results show that daily retraining and online learning handle concept drift well and remain robust across different drift magnitudes, whereas a baseline offline linear regression without retraining is sensitive to drift. Including recently observed heat load information in the model improved the robustness of this baseline. These findings can guide forecast developers and district heating operators in maintaining stable performance as systems change.

[This summary has been rewritten with the help of AI based on the project's original abstract]

heat load forecasting ; concept drift ; district heating ; regression ; machine learning ; grid expansion ; heat demand ; offline learning ; online learning ; data-driven ; heat demand prediction ; energy ; adaptive systems

Download
View record in AAU Student Projects