Dissertação
{pt_PT=Machine Learning applied to energy demand forecast in IST Alameda Campus } {} EVALUATED
{pt=A previsão do consumo energético dos edifícios representa uma ferramenta essencial para o planea-mento e adopção de diferentes estratégias energéticas por parte dos gestores e fornecedores de ener-gia dos edifícios, a fim de reduzir o impacto ambiental existente no sector. Actualmente, a aplicação de sistemas de gestão energética em edifícios e o consequente aumento da quantidade de dados ge-rados, leva ao uso de modelos orientados por dados, maioritariamente de modelos de machine lear-ning, para obter a previsão do seu consumo. Neste estudo, quatro algoritmos de machine learning (MLP, SVM, RF e XGB) foram utilizados e comparados em três horizontes temporais diferentes (uma hora, um dia e uma semana) na previsão do consumo energético de quadro edifícios (Civil, Central, Torre sul e Torre norte) localizados no campus da Alameda do Instituto Superior Técnico, Lisboa, (4 algoritmos x 3 horizontes de previsão x 4 edifícios = 48 modelos). Entre todos os modelos utilizados, o modelo SVM desta-cou-se, apresentando os melhores resultados na maioria dos edifícios e horizontes de previsão. Num âmbito geral, em 93% dos dias previstos, os edifícios de Civil, de Central, da Torre Norte e da Torre Sul, obtiveram erros médios absolutos percentuais de 10.95%, 9.17%, 10.48% e 12.66% para um horizonte temporal de uma semana, respectivamente. Foi também observada uma tendência crescente do erro anual para previsões com um maior horizonte temporal., en=Energy consumption forecasting of buildings plays a crucial role in making planning decisions by facility managers and energy providers. These decisions are used to reduce the intrinsic environmental impact of the building sector. Nowadays, with the imminent application of Building Energy Management Systems (BEMS) and the consequent increase of generated data, the use of machine learning algorithms to provide such predictions becomes a natural solution. In this study, four machine learning algorithms (MLP, SVM, RF, and XGB) were compared in three different forecasting horizons (an hour, a day, and a week) for four buildings (Civil, Central, North tower, and South tower) located at Instituto Superior Técnico, Lisbon, (4 algorithms x 3 forecasting horizon x 4 buildings = 48 models). Among all the models used, SVM models outstood, showing higher accuracies in most of the forecasting horizons and buildings. Overall, in 93% of the forecasted days, it was achieved a MAPE error of 10.95%, 9.17%, 10.48%, and 12.66% for Civil, Central, North tower, and South tower buildings in a week horizon forecasting, respectively. In addition, it was also noticeable an increasing annual error tendency when the models attempt to predict in greater horizons.}
novembro 25, 2019, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
