Dissertação
Forecasting Electricity Consumption in Industrial Kitchens EVALUATED
Como a procura global de eletricidade continua a aumentar, a produção de eletricidade a partir do carvão e do gás atingiu níveis recorde e, como resultado, as emissões anuais de dióxido de carbono dos sectores globais de eletricidade atingem os valores mais elevados alguma vez registados. Para combater a crise energética e o aquecimento global, a penetração das fontes de energia renováveis (FER) e a eficiência energética são da maior importância. Com esta ideia em mente, esta tese pretende analisas o consumo de energia e comparar com previsão do consumo em cozinhas industriais (IK) que sô caracterizadas por serem consumidores intensivo de energia. O principal objetivo desta investigação é contribuir para o estudo da previsão da carga de dados, neste caso, a carga. Especificamente, as previsões são feitas para cenários cenários com quantidades baixas de dados. Dois cenários são comparados um com o outro: dados compostos por um agregado virtual e um agregado real. Diferentes modelos de machine learning (ML) são construídos para diferentes horizontes temporais. Os modelos são testados para cada aparelho individual e para um agregado virtual (a soma das cargas de aparelhos individuais). O objectivo é testar se há uma melhoria na precisão da previsão ao fazer previsões para cada aparelho individual em vez da carga total da IK. Três algoritmos de previsão são utilizados para prever, nomeadamente: Random Fotest, Long Short-Term Memory e Prophet propost o pela Facebook. O desempenho dos diferentes algoritmos são comparados, assim como o desempenho da previsão do agregado virtual em comparação...
setembro 16, 2022, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar
