Objetivo: Pronóstico del Consumo
Datos
27.300 casos de construcción (7 edificios)
Tiempo de muestra: 1 hora.
Datos de consumo.
Datos meteorológicos (temperatura, radiación solar, humedad relativa, etc.)
Datos de ocupación.
Datos de calendario (hora, día de la semana, mes, etc.)
Datos ambientales interiores (temperatura interior, humedad relativa interior, nivel de luz interior).
Método
-Pre-processing: valores faltantes, selección de características, selección de instancias, filtro de outliers, normalización, etc.
-Modelado: regresión lineal múltiple (MLR), redes neuronales (NN) y regresión vectorial de soporte (SVR).
-Validación: coeficiente de correlación (CC), error de porcentaje absoluto medio (MAPE), etc.
Resultado
Las mejores predicciones alrededor del 5% de MAPE.
La red eléctrica está evolucionando. Las redes inteligentes y los sistemas de respuesta a la demanda aumentarán el rendimiento de la red en términos de rentabilidad, resiliencia y seguridad. La previsión exacta de la carga es un tema importante en la operación y control diarios de un sistema de energía. Un pronóstico adecuado de la carga a corto plazo permitirá a un proveedor de servicios públicos planificar los recursos y también tomar medidas de control para equilibrar la oferta y la demanda de electricidad. El objetivo de este software es predecir la carga eléctrica en edificios no residenciales. Con base en los resultados, existe la posibilidad de analizar qué tipo de datos, como el clima, el ambiente interior, el calendario y la ocupación del edificio, es el más relevante en la predicción de la construcción de la carga. Además, utilizando el software, se puede estudiar la efectividad de las mejoras implementadas. El software puede realizar predicciones con tres modelos diferentes, como MLR, MLP y SVR. Los resultados, de un estudio de caso real en la Universidad de Girona (Cataluña), muestran que el software de pronóstico propuesto tiene alta precisión y bajo coste computacional.
