Previsão de curto prazo do consumo de energia

Dissertação de Mestrado Integrado em Engenharia da Energia e do Ambiente

RESUMO: O combate às alterações climáticas, bem como a redução da dependência energética externa passam pela instalação e exploração em larga escala de novas fontes energética renováveis, endógenas e não poluentes. Contudo, a introdução destas fontes no sistema electroprodutor (SE), com caráter estocástico, confere um nível de incerteza adicional no equilíbrio do mesmo. Neste equilíbrio, é fulcral atuar não só no lado da geração, mas igualmente no lado da procura, em oposição à perspetiva tradicional da gestão dos SEs, em que predomina o paradigma que a oferta deve estar sempre preparada para seguir o consumo, i.e., satisfazer totalmente, a procura, cujo comportamento é, tipicamente, considerado incontrolável e inelástico. Uma das formas mais consensuais para permitir esta mudança, assenta no conceito de gestão do consumo (Demand Side Management), que tem por objetivo flexibilizar o consumo, de modo a que este se adapte a uma produção variável no tempo ou em situações de constrangimento ou de estímulos tarifários. No entanto é necessário ter uma boa previsão do mesmo, de forma a solicitar atempadamente esta resposta do lado do consumo. Com a necessidade de previsões fidedignas como pano de fundo, na presente dissertação é proposta a implementação e comparação de vários modelos, de previsão a curto prazo (24h), utilizando três métodos diferentes, sendo estes posteriormente comparados com um método de referência (baseline). A baseline utilizada consiste numa regressão linear simples, utilizando o consumo de energia elétrica verificado no instante t-24horas como variável independente. Os três métodos utilizados foram a Regressão Linear Multivariada (MLR), k-vizinhos mais próximos (KNN) e uma Rede Neuronal Artificial (ANN). Recorrendo a uma técnica estatística de agrupamento de dados (k-medoids), é ainda feita uma identificação dos perfis diários de consumo presentes na série temporal em análise, a identificar padrões diários, semanais e sazonais. Estes métodos foram aplicados à série de consumo habitacional para Portugal, BTN C, disponibilizada publicamente pela REN, utilizando os valores registados de 2014 a 2018 (inclusive). No problema em estudo a Rede Neuronal Artificial foi identificada como o melhor método. Foram obtidos MAPE de 5,6%, 4,3% e 4,2% e RMSE de 13,4MW, 11,7MW e 10,7MW para a MLR, KNN e ANN, respetivamente. Comparativamente, a baseline conseguiu um MAPE de 7,8% e um RMSE de 19,3 MW. Num nível mais granular, foram analisados em detalhe os desvios na previsão e identificadas as horas de maior consumo como as mais problemáticas de prever. O mesmo também se verificou ao nível dos meses do ano, onde os meses mais frios demonstraram ser os mais problemáticos, não só pelo o nível de intensidade do valor mas devido à variabilidade que existe nestes meses. Ao nível diário, os dias de transição de regime (sábado e segunda-feira) e o domingo apresentaram erros consideravelmente mais elevados relativamente aos restantes dias da semana. Com este trabalho, as conclusões retiradas permitem demonstrar a importância e a vantagem da aplicação das metodologias de i) agregação para compreender e caracterizar os diferentes perfis de consumo de energia elétrica e ii) previsão a curto prazo do consumo de energia elétrica com recurso ao método de aprendizagem automática, nomeadamente, Redes Neuronais Artificiais.

Clean, endogenous renewable energy sources are the key to stopping (or at least slowing) climate change, as well as reducing external energy dependency. However, the large-scale integration of these stochastic sources introduces an increasing uncertainty in the electrical power system balance. This balance will need to rely not only in generation side management, but also on demand side management, as opposed to the traditional power system management paradigm, which dictates that generation should always be ready to follow demand, whose is deemed uncontrollable. Strategies such as Demand Side Management have been devised to attenuate this uncertainty. The purpose of this strategy is to provide flexibility for the power system through the electricity consumption according to the available renewable power production, or grid constraints or even tariff incentives. This entails a need for accurate consumption forecasts to enable a proper demand response. With the need for an accurate forecast as motivation, the present dissertation proposes modeling, through various methods of the electrical load considering a short-term horizon - 24 ahead. The modelling will be done by three different methods: Multiple Linear Regression (MLR), k-nearest neighbors (KNN) and an Artificial Neural Network (ANN). The models created by each method will then be compared against a baseline, a Simple Linear Regression using the load value at t – 24h as the independent variable. The typical load profiles are also evaluated, via a clustering method (k-medoids), in order to identify daily, weekly and seasonal patterns present in the data. These methods were applied to a household load time series for Portugal, BTN C, for the years 2014 through 2018, made publicly available by REN. At the end of this analysis, the Artificial Neural Network was identified as the best method, among those studied, in the present case study. The errors obtained for each method were a MAPE of 5.6%, 4.3% and 4.2%, and a RMSE of 13.4MW, 11.7MW and 10.7MW for MLR, KNN e ANN, respectively. By comparison, the baseline achieved a MAPE of 7.8% and a RMSE of 19.3 MW. On a more granular level, forecast error showed that the hours with higher demand were more difficult to accurately predict, along with higher demand months (colder months in this case). Moreover, the regime transition days (Saturdays and Mondays) as well as Sundays are the ones with the biggest errors. The conclusions drawn from the work developed show the importance and advantages of i) typical electrical load profile aggregation analysis and ii) using machine learning methods to perform short-term electrical load forecast, specifically Artificial Neural Networks.