Loading...
Publication
Day-Ahead Energy Consumption Forecasting in Academic Campi with Deep Learning Models
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.37 MB | Adobe PDF |
Authors
Abstract(s)
Electricity is essential in today’s society, with global demand projected to increase 50% by 2050. However, there are significant inefficiencies in power systems throughout production, transmission and distribution. Therefore, to ensure an efficient energy supply it is important to accurately forecast the energy consumption since it allows to deliver only the necessary resources. Advances in data science have provided essential tools to address these challenges by improving the reliability of energy consumption forecasts. Based on these principles, the current project has developed a daily predictive model with a one-day horizon to support energy management decisions, with the goal to optimize the energy efficiency at Campus 2 of the Polytechnic Institute of Leiria (IPL). For this purpose, the historical energy consumption on the campus was used to optimize several models through the NeuralForecast framework. Models were developed using only the endogenous consumption variable, as well as models incorporating the exogenous variables Day Type (which distinguishes between weekdays, Saturdays, and Sundays/holidays) and Academic Calendar (which distinguishes between classes, evaluations, school breaks, and vacation periods). The performance of each model was then evaluated using the Mean Absolute Percentage Error (MAPE) and the computational performance of the model was measured by the Total Parameter Count (TPC). The results show that the best-performing model was N-BEATSx trained on both exogenous variables, achieving a MAPE of 4.92% and 806k total number of parameters. However, the model that best balances complexity and performance is the MultiLayer Perceptron (MLP) with both exogenous variables, with only around 51k parameters and a MAPE of 5.57%. In summary, this study developed robust neural networks for energy consumption forecasting, providing both theoretical and practical advances to support decision-making aimed at optimizing energy efficiency.
A eletricidade é essencial na sociedade atual, com uma procura mundial que se estima crescer 50% até 2050. No entanto, os sistemas de produção, transporte e distribuição de energia apresentam elevadas ineficiências. Para tornar estes sistemas mais eficientes, é necessário prever com precisão o consumo energético para alocar apenas os recursos necessários. Os avanços na ciência de dados têm fornecido ferramentas importantes para enfrentar estes desafios, ao melhorar a fiabilidade das previsões do consumo de eletricidade. Baseado nestes princípios, o presente projeto tem como objetivo desenvolver um modelo preditivo diário com um horizonte de previsão de um dia, que apoie as decisões de gestão de energia com vista a uma maior eficiência energética ao Campus 2 do Instituto Politécnico de Leiria (IPL). Para tal, o histórico do consumo energético foi utilizado para otimizar vários modelos usando a plataforma NeuralForecast. Foram desenvolvidos modelos que utilizam apenas a variável endógena de consumo, mas também modelos que incorporam a variável exógena Day Type (que distingue dias úteis, sábados e domingos/feriados) e a variável exógena Academic Calendar (que distingue períodos de aulas, avaliação, interrupção e férias). O desempenho dos modelos foi depois avaliado utilizando o erro percentual absoluto médio (MAPE) e o desempenho computacional do modelo, medido pelo número total de parâmetros (TPC). Os resultados mostram que o modelo com melhor desempenho foi o N-BEATSx treinado com ambas as variáveis exógenas, atingindo um MAPE de 4,92% e 806k parâmetros. No entanto, o modelo que melhor equilibra complexidade e desempenho é o MultiLayer Perceptron (MLP) com ambas as variáveis exógenas, com apenas 51k parâmetros e um MAPE de 5,57%. Em síntese, o presente estudo permitiu desenvolver redes neuronais robustas para a previsão do consumo de energia, fornecendo avanços teóricos e práticos para a tomada de decisões com vista à otimização da eficiência energética.
A eletricidade é essencial na sociedade atual, com uma procura mundial que se estima crescer 50% até 2050. No entanto, os sistemas de produção, transporte e distribuição de energia apresentam elevadas ineficiências. Para tornar estes sistemas mais eficientes, é necessário prever com precisão o consumo energético para alocar apenas os recursos necessários. Os avanços na ciência de dados têm fornecido ferramentas importantes para enfrentar estes desafios, ao melhorar a fiabilidade das previsões do consumo de eletricidade. Baseado nestes princípios, o presente projeto tem como objetivo desenvolver um modelo preditivo diário com um horizonte de previsão de um dia, que apoie as decisões de gestão de energia com vista a uma maior eficiência energética ao Campus 2 do Instituto Politécnico de Leiria (IPL). Para tal, o histórico do consumo energético foi utilizado para otimizar vários modelos usando a plataforma NeuralForecast. Foram desenvolvidos modelos que utilizam apenas a variável endógena de consumo, mas também modelos que incorporam a variável exógena Day Type (que distingue dias úteis, sábados e domingos/feriados) e a variável exógena Academic Calendar (que distingue períodos de aulas, avaliação, interrupção e férias). O desempenho dos modelos foi depois avaliado utilizando o erro percentual absoluto médio (MAPE) e o desempenho computacional do modelo, medido pelo número total de parâmetros (TPC). Os resultados mostram que o modelo com melhor desempenho foi o N-BEATSx treinado com ambas as variáveis exógenas, atingindo um MAPE de 4,92% e 806k parâmetros. No entanto, o modelo que melhor equilibra complexidade e desempenho é o MultiLayer Perceptron (MLP) com ambas as variáveis exógenas, com apenas 51k parâmetros e um MAPE de 5,57%. Em síntese, o presente estudo permitiu desenvolver redes neuronais robustas para a previsão do consumo de energia, fornecendo avanços teóricos e práticos para a tomada de decisões com vista à otimização da eficiência energética.
Description
Keywords
Previsão de energia Redes neuronais Análise de séries temporais Variáveis exógenas Modelação preditiva Eficiência energética