Neural network model for building electric energy consumption forecasting in densely populated tropical areas
Documentos PDF
Resumo
Electric energy consumption forecasting is a relevant issue to design and implement public policies related to energy generation and distribution at urban scale. This problem has been addressed from different standpoints, including traditional time series analysis and machine learning techniques, focused on the prediction of future energy demand according to metered data. This work proposes a hybrid model, based on computer simulation results from the City Energy Analyst toolbox and metered environmental and energy consumption data from a representative set of buildings located in Singapore. Such model is intended to provide reliable energy demand forecasts by using regression models. Three different regression methods were evaluated: a traditional SARIMA model and both NARX and Recurrent neural network architectures. The results obtained using this approach point out that RNN models provide accurate forecasts for 1 and 24 hours, outperforming NARX based models, while the SARIMA is, in general, unable to represent the electrical demand time series patterns.
Resumo em língua estrangeira
El pronóstico del consumo de energía eléctrica es un asunto de relevancia para diseñar e implementar políticas públicas relacionadas con la generación y distribución de energía a escala urbana. Este problema ha sido abordado desde distintos frentes, incluyendo el análisis estadístico de series temporales y los modelos basados en aprendizaje de máquina, enfocándose en la predicción de la futura demanda de energía según datos tomados mediante medición directa. Este trabajo propone un modelo híbrido, que combina resultados de simulaciones obtenidas mediante el City Energy Analyst (CEA) y variables ambientales medidas junto con los datos de consumo de energía para un conjunto representativo de edificios localizados en la ciudad de Singapur. Este propuesta pretende obtener pronósticos fiables de consumo de electricidad usando modelos de regresión. Los resultados obtenidos usando esta aproximación, muestran que la configuración de redes neuronales recurrentes (RNN) proveen un pronóstico acertado para distintas ventanas de tiempo, mejorando los resultados obtenidos al usar un modelo no lineal autoregresivo con variables exógenas (NARX), mientras que los modelos autoregresivos integrados de media móvil no son capaces de representar apropiadamente los patrones de la serie de tiempo de la demanda de electricidad.
Collections
Estadísticas Google Analytics
Comments