Dissertação

{en_GB=Short term power availability forecast for EV charging hubs using Machine Learning techniques} {} EVALUATED

{pt=A previsão do consumo energético é um campo de investigação que tem vindo a ter um grande impacto na sustentabilidade dos edifícios, caracterizando-se como um problema de previsão de séries temporais. Neste tipo de desafio, são tipicamente utilizados modelos data-driven. O edifício da EDP localizado em Lisboa, Portugal, está equipado com um sistema de painéis fotovoltaicos, e com um Sistema de Carregamento de Veículos Elétricos (EVCS), capaz de ajustar a potência utilizada de acordo com a potência global disponível no edifício. Seria possível otimizar o funcionamento do EVCS fornecendo-lhe também previsões da potência disponível no curto prazo. Para satisfazer este requisito, foi desenvolvido um sistema constituído por técnicas Machine Learning (ML), onde foram utilizados indicadores meteorológicos e energéticos. A solução foi executada através da implementação e comparação de três arquiteturas distintas: Vanilla RNN, Codificador-Descodificador e 1D CNN-Codificador-Descodificador. Além disso, foi introduzido Dropout de Monte Carlo (MCD), permitindo uma interpretação probabilística dos resultados obtidos. Verificou-se que a solução Vanilla superou as restantes arquiteturas, tendo obtido um valor médio de Root Mean Squared Error (RMSE) de 28.95 kW para o modelo determinístico, e 30.06 kW para o modelo probabilístico, o que provou ser uma melhoria relativamente Abordagem Padrão Naive. O trabalho desenvolvido, não só garante a otimização da utilização de energia do EVCS, como também contribui para a sustentabilidade do edifício à escala global., en=Power consumption forecasting is a field of research that has been showing a great impact on the sustainability of buildings, and is labelled as a time series forecasting problem. In this sort of challenge, data-driven models are commonly applied. The Energias de Portugal (EDP) building located in Lisbon, Portugal, is equipped with a Photovoltaic (PV) system, and comprises an Electric Vehicle Central Charging System (EVCS), capable of adjusting the power used according to the overall available power in the building. It could be possible to optimize the EVCS operation by also feeding it with forecasts of the short-term available power. To meet this requirement, a system consisting of Machine Learning (ML) techniques was developed and both meteorological and energetic indicators were used. The solution was accomplished through the implementation and comparison of three distinct architectures: Vanilla Recurrent Neural Network (RNN), Encoder-Decoder and One Dimensional Convolutional Neural Network (1D CNN)-Encoder-Decoder. Additionally, it was introduced Monte Carlo Dropout (MCD), allowing a probabilistic interpretation of the results obtained. It was verified that the Vanilla approach outperformed the remaining architectures, having obtained an average Root Mean Squared Error (RMSE) of 28.95 kW for the deterministic model, and 30.06 kW for the probabilistic model, which showed an improvement over the Naive Standard Approach. The work carried out, not only ensures the optimization of EVCS power usage, but also contributes to the sustainability of the building at a global scale.}
{pt=Aprendizagem Automática, Previsão de Carga a Curto Prazo, Previsão de Séries Temporais, Previsão de Potência Disponível, Edifícios Inteligentes, Veículos Elétricos, en=Machine Learning, Short-Term Load Forecasting, Time-Series Forecasting, Available Power Forecasting, Smart Buildings, Electrical Vehicles}

Janeiro 20, 2021, 9:0

Orientação

ORIENTADOR

Francisco Maria Santos

EDP

Engenheiro

ORIENTADOR

João Nuno De Oliveira e Silva

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar