Dissertação
Electricity load forecasting at single household level using disaggregated data EVALUATED
O principal objetivo desta dissertação é contribuir para o estudo das previsões de consumo de energia eléctrica no sector doméstico. Para isso, foram desenvolvidos nove modelos de previsãodo consumo de energia para o horizonte temporal de uma hora. Três cenários diferentes foram testados em termos de distribuição e quantidade de dados de entrada: modelo de previsão baseado em dados agregados; modelo de previsão com base em dados desagregados obtidos atravésde medição direta (com resolução de uma hora) e modelo de previsão com base em dados desagregados por um algoritmo de desagregação não intrusivo (NILM). Par além disso, três algoritmos diferentes de aprendizado de máquina foram utilizados: floresta aleatória, perceptrãode múltiplas camadas e memória de longo prazo. Os modelos foram construídos para uma habitaçãoe adicionalmente testados para outras quatro para verificar seu âmbito de aplicação. Os resultados obtidos na análise mostraram que os modelos que usam dados NILM forneceram resultados semelhantes aos modelos que usam dados com medições diretas do consumo de energia por dispositivos individuais. Além disso, em quase todos os casos, os dados considerados contendo apenas dados agregados forneceram os resultados mais precisos de previsão agregada de consumo, obtendo um erro percentual absoluto médio (MAPE) de 27,6% para omelhor cenário. Dos três algoritmos testados, a Floresta Aleatória (Random Forest) obteveos melhores resultados, sendo também aquele que é mais rápido e fácil de implementar.
dezembro 2, 2019, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
