Dissertação
Use of transfer learning in forecast algoritms EVALUATED
Este estudo explora a utilização de transfer learning (TL) para melhorar a previsão de consumo de eletricidade em estações de carregamento de veículos elétricos, particularmente em cenários onde os dados são limitados e há variados fatores contextuais. O principal objetivo é avaliar se o TL pode aumentar a precisão das previsões em cenários como a melhoria de previsões para os fins de semana utilizando o conhecimento adquirido pelos dados de dias úteis, ou a transferência de conhecimento entre estações de carregamento com características comuns, como por exemplo, aquelas que estão localizadas na mesma cidade. Foram utilizados modelos tradicionais, incluindo AutoRegressive Integrated Moving Average, Random Forest, Gradient Boosting Machines e Long Short-Term Memory, com a integração de técnicas de TL para transferir conhecimento de conjuntos de dados maiores para menores. Os resultados demonstram que o TL melhora a precisão das previsões para os fins de semana ao mitigar irregularidades nos dados, aplicando o conhecimento adquirido dos dias úteis. Além disso, o TL é particularmente eficaz para estações de carregamento com características comuns, enquanto o seu impacto em estações sem essas características é reduzido. A pesquisa destaca o potencial do TL e do machine learning para melhorar a gestão energética das estações de carregamento de veículos elétricos, contribuindo para um planeamento mais eficaz do sistema elétrico no contexto da transição energética global.
dezembro 5, 2024, 10:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado