Household energy consumption forecasting using recurrent neural networks
| Autor: | Brunnhofer, Thomas |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2019 |
| Předmět: | |
| DOI: | 10.34726/hss.2019.72983 |
| Popis: | Der Energiesektor unterliegt einem Wandel. Die optimale Nutzung von dezentralen und erneuerbaren Energiequellen ist eine der gro��en Herausforderungen f��r das Energienetz der Zukunft. Die Entwicklung hin zu effizienten dezentralen Smart-Grids ben��tigt die optimale Nutzung von dezentraler Energieerzeugung gekoppelt mit Energiespeichern. Smart Meter --intelligente Stromz��hler-- ��berwachen den Netzstatus und werden f��r das Aufzeichnen der Energieverbrauchsdaten eingesetzt. Analysieren dieser Energieverbrauchsdaten kann beim optimalen Betrieb von Smart-Grids unterst��tzen. In dieser Arbeit werden Machine Learning Techniken --insbesondere Recurrent Neural Networks-- verwendet, um mithilfe von Energieverbrauchszeitreihen, m��glichst genaue Vorhersagen des Energieverbrauchs von Einzelhaushalten zu bekommen. Gute Vorhersagen des Energieverbrauchs sind ein wichtiger Bestandteil f��r die Optimierung und Ausf��hrung von dezentralen Verbundnetzen. Pr��zise Vorhersagen f��r den Energieverbrauch von Einzelhaushalten ist eine gro��e Herausforderung, besonders wegen der hohen Volatilit��t der Verbrauchszeitreihen. Diese Arbeit vergleicht unterschiedliche Neuronale Netze, und untersucht den Effekt von Zeitaufl��sung sowie zus��tzlicher Information, auf die Qualit��t der Verbrauchsvorhersagen. Recurrent Neural Networks waren die besten Modelle hinsichtlich der Verbrauchsprognosen. Weiters scheint der Ansatz --f��r einzelnen Haushalte spezifische Modelle zu trainieren-- vorteilhaft. Keine Vorteile wurden gefunden f��r das Nutzen zus��tzlicher Information. The energy sector is transforming rapidly. The use of distributed renewable energy sources is fostering the development of more decentralized energy grids. Optimally using those distributed energy sources in combination with energy storage systems is the challenge of the future. Advanced metering infrastructure is monitoring and recording the grid state and the energy consumption of its participants. Making use of those energy recordings for optimizing the functionality of decentralized grids is a major objective in the energy sector. This thesis investigates the usage of machine learning techniques --especially recurrent neural networks-- for the task of energy consumption forecasting by utilizing smart meter recordings of individual households. Good short term forecasts of energy consumption are a vital part in the overall optimization of decentralized grids --in the form of smart grids and local energy communities--. By comparing various neural network architectures with benchmarks and studying the effect of data granularity and exogenous features, this thesis is part of the growing research in the realm of short term energy consumption forecasting. Recurrent neural networks were found to be slightly advantageous; as is the approach for using dedicated models for single households. Using the exogenous features did not result in better forecasts. The task, however, is challenging due to the volatility of a single household's energy consumption. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|