Data_driven approach for diagnosing inefficiencies and optimizing district heating networks

District heating (DH) networks provide a sustainable and efficient solution for large-scale heat distribution, and one of the most important factors affecting their performance is return temperature. Lower return temperatures enhance overall DH efficiency. However, identifying the causes of high return temperatures and implementing effective interventions remains a challenge, particularly in large-scale networks. This study develops a scalable, data-driven framework to optimize return temperatures and enhance demand-side management in DH systems. First, time-series clustering is applied to categorize substations considering their temperature behaviours. A representative temperature metric is then calculated for each substation to accurately reflect its operational patterns. To assess the impact of each substation on overall network efficiency, a structured ranking method is introduced based on this metric. Furthermore, by analysing user-side data, the study tries to identify the underlying causes of high return temperatures in problematic substations and proposes targeted corrective measures. The results indicate that out of 49 substations, 10 exhibited inefficiencies related to heat exchangers, while 23 had issues within the user-side system. Finally, the effectiveness of these interventions is evaluated through scenario-based simulations, showing that optimizing problematic substations can reduce network return temperature from 62°C to approximately 56°C. On parallel, this study also examines heat consumption patterns to support more effective network planning. Users are categorized into 9 distinct load profiles using time-series clustering, providing a clearer understanding of demand variations. To address cases where monitoring data is incomplete, a scaling-based estimation approach is introduced, leveraging real user data and cluster representatives to reconstruct missing consumption profiles. Among the tested methods, Adaptive Scaling proves most effective in maintaining both trend accuracy and demand fluctuation. This study presents scalable, data-driven frameworks for optimizing return temperature management and improving load management, equipping DH operators with practical tools to enhance efficiency and sustainability while minimizing energy losses and operational costs.

Le reti di teleriscaldamento (DH) rappresentano una soluzione sostenibile ed efficiente per la distribuzione su larga scala del calore, e uno dei fattori chiave che influenzano le loro prestazioni è la temperatura di ritorno. Temperature di ritorno più basse migliorano l'efficienza complessiva del sistema, ma identificare le cause delle temperature elevate e implementare interventi efficaci rimane una sfida, soprattutto nelle reti di grandi dimensioni. Questo studio sviluppa un framework scalabile e basato sui dati per ottimizzare le temperature di ritorno e migliorare la gestione della domanda nei sistemi di teleriscaldamento. In primo luogo, viene applicato un clustering di serie temporali per classificare le sottostazioni in base ai loro comportamenti termici. Successivamente, per ciascuna sottostazione viene calcolato un indicatore rappresentativo della temperatura, in modo da riflettere con precisione i modelli operativi. Per valutare l’impatto di ogni sottostazione sull’efficienza complessiva della rete, viene introdotto un metodo di classificazione strutturato basato su questa metrica. Inoltre, analizzando i dati lato utente, lo studio cerca di individuare le cause principali delle temperature di ritorno elevate nelle sottostazioni problematiche e propone misure correttive mirate. I risultati mostrano che, tra le 49 sottostazioni analizzate, 10 presentano inefficienze legate agli scambiatori di calore, mentre 23 mostrano problemi nel sistema lato utente. Parallelamente, lo studio esamina i modelli di consumo termico per supportare una pianificazione più efficace della rete. Gli utenti vengono suddivisi in 9 profili di carico distinti attraverso il clustering di serie temporali, offrendo una visione più chiara delle variazioni della domanda. Per affrontare i casi in cui i dati di monitoraggio sono incompleti, viene introdotto un approccio di stima basato sulla scalabilità, che sfrutta i dati reali degli utenti e i rappresentanti dei cluster per ricostruire i profili di consumo mancanti. Tra i metodi testati, l'Adaptive Scaling si dimostra il più efficace nel mantenere sia l'accuratezza della tendenza sia le fluttuazioni della domanda. Questo studio propone framework scalabili e basati sui dati per l’ottimizzazione della gestione della temperatura di ritorno e del carico termico, fornendo agli operatori di teleriscaldamento strumenti pratici per migliorare efficienza e sostenibilità, riducendo le perdite energetiche e i costi operativi.