Dissertação
{en_GB=Exploring Data-Driven Approaches for Short-Term Load Forecasting of an Energy Utility’s Customer Portfolio} {} EVALUATED
{pt=As empresas do setor energético desempenham um papel crucial na indústria, sendo responsáveis pelo equilíbrio entre a oferta e a procura de eletricidade, pela integração de fontes de energia renovável e pela estabilidade da rede elétrica. Para estas empresas, a Previsão de Carga de Curto Prazo (STLF) é essencial para otimizar o planeamento de ativos e a participação nos mercados de energia, permitindo uma redução de custos operacionais. Tradicionalmente, a STLF do portfólio de uma empresa é feita através de modelos estatísticos, que, embora adequados, não possuem capacidades de identificação de padrões de consumo complexos. Esta dissertação propõe uma oportunidade de melhoria nestas metodologias através da utilização de algoritmos de Machine Learning (ML). Para tal, foi inicialmente feito um estudo de segmentação usando algoritmos de clustering para categorizar padrões de consumo. Posteriormente, os métodos preditivos XGBoost, LGBM e ETR foram selecionados, ajustados através de otimização Bayesiana para cada um dos segmentos, e comparados com um método estatístico de referência. Os dados utilizados incluem variáveis temporais e medições de carga, temperatura e radiação. Os resultados demonstraram que todos os métodos de ML superaram o método estatístico em todos os segmentos, com o XGBoost e o LGBM a apresentarem os melhores desempenhos. Foi também concluído que uma segmentação de três clusters aplicada em conjunto com modelos de previsão de ML permite previsões mais precisas comparativamente a um método de segmentação tradicional. Aferiu-se assim o potencial de métodos de ML para melhorar a STLF aplicada ao portfólio de uma empresa de energias., en=Energy utilities play a crucial role in the industry by balancing load demand and supply, integrating renewable energy sources, and maintaining grid reliability. From a utility’s perspective, accurate Short-Term Load Forecasting (STLF) is essential for optimizing decisions such as the scheduling of generation units and the participation in energy markets, enabling an overall reduction in operational costs. Traditionally, STLF of a utility’s customer portfolio has been conducted using statistical regression models, which, although reliable, have limitations in capturing complex consumption patterns and adapting to dynamic market conditions. This dissertation identified an opportunity to improve STLF methodologies by using Machine Learning (ML) techniques to address these gaps. To achieve this, an initial analysis on customer load segmentation was performed using clustering algorithms to categorize consumption patterns. Subsequently, for the forecasting task, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM), and Extra-Trees Regressor (ETR) methods were selected and tuned through Bayesian optimization for each cluster. Considered data included measurements of load, temperature, and radiation, and calendar features to model consumption patterns. The developed models were later benchmarked against a statistical approach. Results showed that all ML methods outperformed the statistical regression method in all load segments, with XGBoost and LGBM presenting the best performances. Furthermore, pairing ML models with a segmentation approach using three clusters enabled more accurate forecasts than the traditional injection-focused segmentation method. This highlighted the potential of state-of-the-art supervised and unsupervised ML techniques to enhance forecasting performance within a utility’s customer portfolio.}
junho 17, 2024, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
