Dissertação
Short term power availability forecast for EV charging hubs using Machine Learning techniques EVALUATED
A previsão do consumo energético é um campo de investigação que tem vindo a ter um grande impacto na sustentabilidade dos edifícios, caracterizando-se como um problema de previsão de séries temporais. Neste tipo de desafio, são tipicamente utilizados modelos data-driven. O edifício da EDP localizado em Lisboa, Portugal, está equipado com um sistema de painéis fotovoltaicos, e com um Sistema de Carregamento de Veículos Elétricos (EVCS), capaz de ajustar a potência utilizada de acordo com a potência global disponível no edifício. Seria possível otimizar o funcionamento do EVCS fornecendo-lhe também previsões da potência disponível no curto prazo. Para satisfazer este requisito, foi desenvolvido um sistema constituído por técnicas Machine Learning (ML), onde foram utilizados indicadores meteorológicos e energéticos. A solução foi executada através da implementação e comparação de três arquiteturas distintas: Vanilla RNN, Codificador-Descodificador e 1D CNN-Codificador-Descodificador. Além disso, foi introduzido Dropout de Monte Carlo (MCD), permitindo uma interpretação probabilística dos resultados obtidos. Verificou-se que a solução Vanilla superou as restantes arquiteturas, tendo obtido um valor médio de Root Mean Squared Error (RMSE) de 28.95 kW para o modelo determinístico, e 30.06 kW para o modelo probabilístico, o que provou ser uma melhoria relativamente Abordagem Padrão Naive. O trabalho desenvolvido, não só garante a otimização da utilização de energia do EVCS, como também contribui para a sustentabilidade do edifício à escala global.
janeiro 20, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar