Dissertação
Forecasting electricity consumption using simulation data from physical models EVALUATED
O crescimento da população tem vindo a criar um aumento no consumo de eletricidade, o que aumenta a emissão de gases com efeito da estufa devido á produção e consumo. Atualmente, os edifícios são responsáveis por 30% das emissões globais de CO2. Devido a números alarmantes, surgem conceitos de sistemas de gestão energética nos edifícios (BEMS) e redes inteligentes. Os BEMS têm sido alvo de pesquisa desde há quatro décadas, usando métodos numéricos, mas os desenvolvimentos recentes no uso de machine learning (ML) para a previsão de carga têm mostrado um grande potencial na gestão energética. O presente trabalho propõe-se a combinar métodos numéricos (Energy Plus) e de ML na previsão dos serviços de energia num edifício universitário. É utilizado o RandomForest combinado com técnicas de seleção de características, devido à sua capacidade de lidar com dados complexos, comparada com outros algoritmos de ML. Desenvolveram-se quatro modelos de ML usando inputs de simulações de EP e dados meteorológicos de um ano, prevendo o serviço energético para o próximo ano, de hora a hora. Calcularam-se três tipos de erros (MAE, RMSE e CV-RMSE) que foram usados para comparar o desempenho modelo com padrões de previsão hora a hora aceites internacionalmente. O CV-RMSE, sendo adimensional, oferece uma boa comparação entre os modelos e o seu valor é inferior a 30%, excepto no modelo HVAC, em que é 37%. No geral, os modelos tiveram um desempenho bastante bom e, com eventuais melhorias, poderão ajudar em serviços de precisão energética com erro mínimo.
dezembro 6, 2019, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
AUTOR