Data lokaliserade avsevärd värmeförlust i servicerör!
Läs om hur ett lokalt fjärrvärmebolag använde data från intelligenta mätare för att minska värmeförlust och höja framledningstemperaturer
Intelligenta mätare i nätverket levererar värdefull kunskap
Det dåligt presterande området i distributionsnätet upptäcktes genom sammanställning av data från nätverkets smarta mätare i Heat Intelligence, Kamstrups analysverktyg för fjärrvärmebolag. Heat Intelligence identifierade flera avvikelser i distributionsnätet som finns markerade med blå cirklar i bild 1. För alla dessa avvikelser kunde man uppmäta en betydligt lägre temperatur än förväntat, med tanke på den högre temperaturen som uppskattades i förgreningsledningen. I detta fall orsakades de lägre temperaturerna av det dåligt presterande serviceröret. Inte bara på grund av att röret var relativt gammalt; det visade sig senare att även isoleringen var i dåligt skick.
Bild 1. De blå cirklarna anger kunder med dåligt presterande servicerör.


Heat Intelligence beräknar den förväntade temperaturen för alla kunder, med tanke på den förväntade temperaturen i förgreningsledningen. Skillnaden från de förväntade temperaturerna för alla kunder nedströms, i förhållande till punkten som markerats med en röd stjärna i bild 1, har kartlagts i bild 2. Diagrammet visar att en lägre temperatur än förväntat kunde uppmätas för alla kunder. Efter renoveringen av rören stabiliserade sig dock alla temperaturer runt nollan (det förväntade värdet). Det är även möjligt att säga vilken dag serviceanslutningarna förnyades över det två veckor långa renoveringsarbetet.
Bild 2. Avvikelsen i framledningstemperaturer för kunder nedströms från den röda stjärnan i bild 1. Inom ett par veckor stabiliserade sig temperaturerna runt nollan, vilket indikerade att servicerören hade renoverats.
Minskad värmeförlust
De höjda framledningstemperaturerna uppnåddes genom att man minskade värmeförlusten i det nu renoverade området i nätverket. För vissa kunder höjdes framledningstemperaturen med mer än 10 °C. Detta i sin tur ledde till ett avsevärt minskat flöde i och med att mer energi kan utnyttjas (högre temperaturskillnad, T2-T1, kräver ett lägre flöde för samma mängd värme). På samma sätt skulle rördimensionerna kunna minskas till ett minimum tack vare kundernas mer effektiva energiupptag. Genom att jämföra framledningstemperaturerna innan och efter renoveringen av rören, är det möjligt att beräkna en värmeförlustminskning på ungefär 7,8 MWh per år per kund.*
Var ska nästa renovering ske?
Naturligtvis måste många faktorer tas i beaktande när man planerar renoveringsarbeten: hur gamla rören är, läckage, behov av mer kapacitet, tillgänglighet för utgrävningar och priser osv. Förutom att identifiera regioner med högre värmeförlust, levererar Heat Intelligence även värdefull insikt i hur man ska utforma och dimensionera nya rör.
Med Heat Intelligence kan fjärrvärmebolag enkelt få en översikt över den faktiska förbrukningen i olika områden i deras nätverk, d.v.s. den typiska förbrukningen för en specifik förgrening eller om det finns flaskhalsar i systemet som ger upphov till höga tryckförluster.
Bild 3. Karta som visar ett annat område i nätverket där värmeförlusten är hög (blå cirklar anger platser där temperaturerna är ungefär 10 °C lägre än förväntat). De beräknade temperaturavvikelserna kan användas för att uppskatta kostnaden av värmeförlusten och ska tas i beaktande när nätverket byggs om.
Temperaturavvikelserna som har identifierats av Heat Intelligence för kunderna och som är markerade med blå punkter i bild 3, är i samma storleksordning som ovan, d.v.s. ungefär 10 °C under det förväntade värdet. Följaktligen är det även möjligt att uppnå en minskning i värmeförlust med ungefär 7,8 MWh per kund per år i denna region i nätverket. Dessa upptäckter ska självklart tas i beaktande när bolaget planerar inför nästa renoveringsarbete.


Hur fungerar Heat Intelligence?
Skribent

Morten Karstoft Rasmussen
Morten har doktorsexamen i nanovetenskap från Aarhus Universitet och arbetar som dataanalytiker vid Kamstrups avdelning Data Analytics.