Data-driven modelsfor estimating heatpump powerconsumption

The number of installed heat pumps has been rapidly increasing in recent years, acceleratingthe decarbonisation of the heating sector. The impact of the increasing deployment of heatpumps on the grid can be evaluated with the help of models estimating the heat pumppower consumption. This thesis contributes to the field of data-driven heat pump modellingby developing regression models based on data from field installations to reflect the heatpump operation in real conditions. The developed models estimate the heat pump powerconsumption using a limited number of input features (parameters) measured during heatpump operation. This thesis analysed anonymised data obtained from the monitoring systemof domestic ground-source heat pump (GSHP) and air-source heat pump (ASHP) installationsto develop GSHP and ASHP regression models. Prior to developing the regression models, the data were pre-processed and the most important features (measured parameters) used asindependent variables in the regression models were identified. Further, various regressionmodels were proposed ranging from simple-linear, multiple-linear to non-linear (up to thefourth-degree) regression models, with and without the interaction terms and with the varyingnumber of the selected input features. The identified most significant input features fordeveloping the regression models based on the obtained datasets involved supply, sourceand outdoor temperatures and compressor frequency. The results in this thesis showed thatregression models can estimate the heat pump power consumption with a satisfactory accuracy(up toR2 88 % and mean absolute percentage error 13 %). Furthermore, it was proven that nonlinearregression models performed with higher accuracy compared to linear regression modelsand the accuracy was increasing with the increasing number of statistically significant inputfeatures. This thesis also revealed the importance of outlier detection and feature selectionprior to developing heat pump models
Antalet installerade värmepumpar har ökat snabbt de senaste åren, vilket påskyndat avkolningenav värmesektorn. Effekten av den ökande användningen av värmepumpar på nätet kanutvärderas med hjälp av modeller som uppskattar värmepumpens energiförbrukning. Dettaexamensarbete bidrar till området för datadriven värmepumpsmodellering genom att utvecklaregressionsmodeller baserade på data från fältinstallationer för att spegla värmepumpensdrift under verkliga förhållanden. De utvecklade modellerna uppskattar värmepumpensenergiförbrukning med hjälp av ett begränsat antal indatafunktioner (parametrar) som mätsunder värmepumpens drift. Denna avhandling analyserade anonymiserade data som erhållitsfrån övervakningssystemet för inhemska markvärmepumpar (GSHP) och luftvärmepumpar(ASHP) installationer för att utveckla GSHP- och ASHP-regressionsmodeller. Införutvecklingen av regressionsmodellerna förbearbetades data och de viktigaste egenskaperna(uppmätta parametrar) som används som oberoende variabler i regressionsmodellernaidentifierades. Vidare föreslogs olika regressionsmodeller som sträckte sig från enkellinjära, multipellinjära till icke-linjära (upp till fjärde gradens) regressionsmodeller, med ochutan interaktionstermer och med det varierande antalet valda indatafunktioner. De identifierade viktigaste indatafunktionerna för att utveckla regressionsmodellerna baserade på de erhållna datamängderna involverade tillförsel-, käll- och utomhustemperaturer och kompressorfrekvens. Resultaten i denna avhandling visade att regressionsmodeller kan uppskatta värmepumpens energiförbrukning med tillfredsställande noggrannhet (upp tillR2 88 % och genomsnittligt absolut procentuellt fel 13 %). Dessutom bevisades det atticke-linjära regressionsmodeller presterade med högre noggrannhet jämfört med linjäraregressionsmodeller och noggrannheten ökade med det ökande antalet statistiskt signifikantaindatafunktioner. Detta examensarbete avslöjade också vikten av avvikande detektering och funktions