Dissertação
Electricity load forecasting with the use of machine learning and activity patterns EVALUATED
O objetivo desta tese é criar um modelo para predição do consumo de eletricidade utilizando algoritmos de machine learning e análise dos padrões de atividade. Para dois contextos diferentes: predição para a próxima hora e predição para o próximo dia. Os dados dos casos de estudo foram fornecidos pela empresa Watt-IS e incluíam apenas o consumo de energia para duas clínicas de análises de sangue e um restaurante. A análise exploratória dos dados revelou que existem padrões específicos de atividade, como variações entre o dia e a noite e variações sazonais. Estes padrões de atividade foram extraídos de cada um dos casos de estudo, como por exemplo informação sobre feriados ou dias da semana. Desta forma os dados dos casos de estudo foram enriquecidos com esta informação para a aplicação dos métodos machine learning. O caso do restaurante foi ainda enriquecido com dados meteorológicos. Em geral, a utilização desta informação adicional sobre os padrões de atividade melhora os modelos. Diferentes métodos de machine learning foram desenvolvidos e testados, em particular: random regression trees, gradient boosting regression and neural networks with LSTM, para prever o consumo de eletricidade na próxima hora e no próximo dia. A comparação dos modelos demonstrou que o método de gradient boosting regression teve os melhores resultados entre todos os modelos. A implementação destes modelos de machine learning pode ter várias aplicações comerciais para ter a otimização da operação da rede elétrica, como a implementação de modelos de gestão de procura.
junho 12, 2018, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
