Machine Learning Approaches for Energy Forecasting

Item type:	Thesis of the University of Regensburg (PhD)
Open Access Type:	Primary Publication
Date:	26 August 2021
Referee:	Prof. Dr. Elmar W. Lang
Date of exam:	8 July 2021
Institutions:	Biology, Preclinical Medicine > Institut für Biophysik und physikalische Biochemie Biology, Preclinical Medicine > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Interdisciplinary Subject Network:	Not selected
Research groups and research centres:	Not selected
Keywords:	time series prediction; electricity forecasting; short-term load forecasting; convolutional neural network; Machine learning
Dewey Decimal Classification:	500 Science > 530 Physics
Status:	Published
Refereed:	Yes, this version has been refereed
Created at the University of Regensburg:	Yes
Item ID:	46447

Abstract (English)

This thesis focuses on the computation of time series predictions of electricity load series and applies different machine learning methods to the task. In this context, established models were tested and a novel forecasting model utilising convolutional neural networks (CNNs) was developed. The progressing digitisation of the energy market increases the availability of consumption data. At the ...

Abstract (English)

This thesis focuses on the computation of time series predictions of electricity load series and applies different machine learning methods to the task. In this context, established models were tested and a novel forecasting model utilising convolutional neural networks (CNNs) was developed.
The progressing digitisation of the energy market increases the availability of consumption data. At the same time, the demand for accurate consumption forecasts is increasing. The forecasts are necessary for accurately planning machine schedules of complex energy systems.

Within the scope of this thesis, several forecast models were evaluated. The used data for that were accumulated electricity loads of 15, 40, and 350 residential households. The predictions were calculated for 36 hours into the future with a 30-minute sampling rate. Various linear and non-linear models were trained for that task.

The naïve approach of assuming that the electricity consumption of the previous day or week resembles the future consumption can already be used as a rough estimate. Computing the load forecasts with a linear ridge regression based on manually extracted features results in more accurate forecasts. Using a neural network or a random forest model for computing a non-linear regression further increases the forecast accuracy. The most accurate forecasts could be computed using the newly developed CNN model. Another advantage of this model is that it works directly with the load data, hence, no time-consuming manual feature-engineering is necessary.

Translation of the abstract (German)

Der Fokus der Dissertation liegt auf der Erstellung von Zeitreihenvorhersagen von Stromverbräuchen mittels verschiedener Machine Learning Methoden. Im Rahmen dessen wurden etablierte Modelle getestet und ein neuartiges Vorhersage-Modell entwickelt, welches auf Convolutional Neural Networks (CNN) basiert. Durch die fortschreitende Digitalisierung des Energiemarktes steigt die Verfügbarkeit von ...

Translation of the abstract (German)

Der Fokus der Dissertation liegt auf der Erstellung von Zeitreihenvorhersagen von Stromverbräuchen mittels verschiedener Machine Learning Methoden. Im Rahmen dessen wurden etablierte Modelle getestet und ein neuartiges Vorhersage-Modell entwickelt, welches auf Convolutional Neural Networks (CNN) basiert.
Durch die fortschreitende Digitalisierung des Energiemarktes steigt die Verfügbarkeit von fein aufgelösten Verbrauchsdaten. Gleichzeitig steigt aber das Bedürfnis nach genauen Verbrauchsvorhersagen um Maschinen-Fahrpläne von komplexen Energie-Systemen möglichst genau zu planen.

Im Rahmen der Arbeit wurden verschiedene Vorhersage-Modelle evaluiert. Als Grundlage diente der akkumulierte Stromverbrauch von 15, 40 und 350 Privathaushalten. Es wurden Vorhersagen für 36 Stunden mit einem 30-Minuten-Gitter erstellt. Dazu wurden verschiedene lineare und nicht-lineare Modellen trainiert.

Zur groben Abschätzung des Stromverbrauchs kann bereits der naive Ansatz, den Verbrauch der Vorwoche bzw. des Vortags also Vorhersage zu verwenden, herangezogen werden. Mittels einer linearen Ridge-Regression basierend auf manuell extrahierten Features kann jedoch eine genauere Vorhersage erstellt werden. Durch die Verwendung eines neuronalen Netzes oder eines Random Forest Modells zur Berechnung der Regression steigt die Vorhersagegenauigkeit weiter. Die genauesten Vorhersagen konnten mit dem neu entwickelten CNN-Modell erstellt werden. Ein weiterer Vorteil dieses Modells ist es, dass es direkt mit den Verbrauchszeitreihen arbeitet und deshalb keine aufwändige manuelle Feature-Extraktion nötig ist.

Details

Preview

Export bibliographical data

Abstract (English)

Abstract (English)

Translation of the abstract (German)

Translation of the abstract (German)

Download Statistics

Downloads

More literature (via CORE)

University Library