Kaukolämpötuotanto on kasvattanut suosiotaan lämmöntuotantomuotona, ja se kattaa Suomessa jo yli 46 prosenttia asuin- ja palvelurakennusten lämmitystarpeesta. Kaukolämpö on lämmöntuotantomuotona energiatehokas ja ekologinen, mutta viime vuosina kiristyneiden energiantuotannon päästötavoitteiden vuoksi tuotannolta edellytetään jatkuvasti kustannustehokkaampia ja ekologisempia ratkaisuja (Hartikainen 2021).
Tuotannon tehostamisen kannalta on olennaista, että tuotannon ajamisen päätöksiä tekevä henkilöstö on ajan tasalla tuotannon kokonaiskuvasta. Tuotannon mittausdatan visualisointi tarjoaa tehokkaita työkaluja kattavan tilannekuvan luomiseen (Lääveri 2019). Mittausdataa keräämällä ja visualisoimalla voidaan tuottaa raportteja ja koontinäyttöjä, joista tuotannon tärkeimmät avainluvut ovat nähtävillä reaaliaikaisesti.
CO2-vuosipäästöt vähenivät jopa kymmenyksen
Kemin Energia ja Vesi Oy toteutti vuonna 2019 laajamittaisen automaatiojärjestelmän uudistamisen, jonka yhteydessä nykyaikaistettiin myös tuotannon raportointijärjestelmä. Uusi järjestelmä tarjoaa ajantasaisen, helposti eri laitteilla käytettävissä olevan tuotannon tilannekuvan kaikille sitä tarvitseville. Tehostuneen raportoinnin ansiosta tuotannon kokonaiskuvaa kyettiin seuraamaan aiempaa tehokkaammin, ja yhtiön vuonna 2019 tuottamien CO2-päästöjen osalta saavutettiin jopa 10 prosentin vähennys.
Visualisoinnin ohella Kemin Energia ja Vesi Oy:n dataa hyödynnettiin myös kehittämällä koneoppimista käyttävä kaukolämpötuotannon ennustemalli. Tuotannon mittaustietoja ja sääennusteita käyttävä malli esittää lähivuorokausien tuotannon tarpeen ja ohjeistaa tuotantohenkilöstöä ratkaisujen tekemisessä. Ennustemallin ollessa riittävän tarkka voidaan mallin tuottamaa ennustetta käyttää suoraan lämmöntuotannon ohjaamiseen, jolloin tuotantohenkilöstön vastuulle jää vain tuotannon seuranta ja tarvittaessa hienosäätö.
Optimoinnilla ratkaisu, visualisoinnilla käytäntöön
Opinnäytetyössä (Erola & Lehikoinen 2021) tutkittiin mahdollisuuksia optimoida kaukolämpötuotantoa matemaattisen optimoinnin ja koneoppimisen menetelmillä sekä tuottaa optimointidatan pohjalta visualisointeja päätöksenteon tueksi. Tutkimuksen perusteella sekä matemaattisten että koneoppimismenetelmien todettiin olevan käyttökelpoisia kaukolämpötuotannon polttoainevalintojen tekemisessä tuotantotilanteen mukaisesti. Optimoinnin tuottaman datan visualisoinnilla suositukset voidaan tuoda tehokkaasti käytäntöön hyödynnettäväksi ja siten tehostaa tuotantoa.
Kirjoittajat
Antti Lehikoinen on visuaalisesti orientoitunut ohjelmistokehittäjä, joka valmistuu kesällä 2021 LAB-ammattikorkeakoulun digitaaliset ratkaisut YAMK-koulutuksesta. Blogikirjoitus pohjautuu Lehikoisen YAMK-opinnäytetyöhön, jonka hän teki yhteistyössä Jarmo Erolan kanssa.
Minna Asplund, TkL, toimii LAB-ammattikorkeakoulussa lehtorina sekä koordinaattorina insinööri (ylempi AMK), digitaaliset ratkaisut -koulutuksessa. Hän ohjasi Antti Lehikoisen opinnäytetyön.
Lähteet
Erola J. ja Lehikoinen A. 2021. Kaukolämpötuotannon optimointi, raportointi ja visualisointi Saas-palveluna. Opinnäytetyö YAMK. LAB-ammattikorkeakoulu. [Viitattu 4.6.2021]. Saatavissa:
http://urn.fi/URN:NBN:fi:amk-2021060314064
Hartikainen, J. 2021. Hiilipäästöjen hinnannousu Euroopassa on lyönyt kaikki ennusteet, ja sen seurauksena turpeesta tuli ”järkyttävän kallista” – Talous | HS.fi. [Viitattu 31.5.2021]. Saatavissa:
https://www.hs.fi/talous/art-2000007926977.html
Lääveri H. 2019. Reaaliaikainen data ja sen jakaminen näyttelee suurta osaa energiateollisuuden CO2-päästöjen vähentämisessä. Supersense-blogi. [Viitattu 31.5.2021]. Saatavissa:
https://supersense.cloud/blogi/reaaliaikainen-data-ja-sen-jakaminen
Kuvat
Kuva 1. Green Energy Futures. The biomass heating plant was added on to the natural gas heating district heating system in Sherwood Park, Alberta. Creative Commons. [Viitattu 31.5.2021]. Saatavissa:
https://search.creativecommons.org/photos/06f0ca48-b351-4b29-adf4-7fb8c10ca248
Kuva 2. Lehikoinen, A. 2021.
