< Terug naar vorige pagina

Project

Tijdreeksvoorspelling, toepassingen op laagspanningsnetwerk data

In een tijd gekenmerkt door de hoge nood om klimaatverandering tegen te gaan, is innovatief energiebeheer steeds crucialer. In deze thesis worden drie belangrijke bijdragen op het gebied van energievoorspellingen gepresenteerd met betrekking tot het elektriciteitsverbruik van individuele huishoudens en het beheer van intelligente stopcontacten. De eerste bijdrage is een nieuwe methode voor langetermijnvoorspelling van het elektriciteitsverbruik van individuele huishoudens, die nauwkeurig en schaalbaar is. De tweede introduceert een globale probabilistische methode voor kortetermijnvoorspellingen van individuele huishoudens, die bijzonder robuust is voor veranderende patronen. De derde levert ten slotte een innovatieve pijplijn voor het optimaliseren van de energie-efficiëntie in kantoorgebouwen door middel van automatische schakeling van stekkers. Elk van deze bijdragen benadrukt de belangrijke rol van geavanceerde voorspellingen in energiebeheer. Maar hoe past tijdreeksvoorspelling van energieverbruik precies in het bredere plaatje van de energietransitie?

Wereldwijd worden de inspanningen om de klimaatcrisis aan te pakken versterkt en dit vindt weerklank in krantenkoppen, beleidsagenda's en gesprekken op alle niveaus van de samenleving. Om te voldoen aan de nieuwste COP-overeenkomsten en de bijbehorende Europese Green Deal voor een duurzame toekomst, moeten we de elektrificatie versnellen, investeringen in hernieuwbare energie verhogen en de energie-efficiëntie verbeteren. Nauwkeurige energievoorspelling wordt dan onmisbaar. Naarmate de overgang van traditionele voertuigen naar elektrische auto’s versnelt, neemt de vraag naar oplaadpunten thuis en openbare oplaadinfrastructuren toe. Dit verhoogt niet alleen het totale elektriciteitsverbruik, maar brengt ook het risico van overbelasting van het elektriciteitsnet met zich mee, vooral tijdens piekuren wanneer veel mensen tegelijk thuiskomen om hun wagen op te laden. Om dergelijke uitdagingen efficiënt te beheren en te beperken, is het absoluut noodzakelijk om het elektriciteitsverbruik van huishoudens nauwkeurig te voorspellen.

De literatuur omtrent energievoorspellingen richt zich traditioneel altijd op voorspellingen op lange termijn of op brede, ruimtelijk geaggregeerde voorspellingen. Deze voorspellingen zijn meestal gebaseerd op schattingen op nationaal niveau of productiegerichte schattingen. Door de introductie van slimme meters en slimme stekkers zijn er echter nieuwe gegevens beschikbaar die meer gedetailleerde voorspellingen mogelijk maken, op het niveau van individuele huishoudens of apparaten. Deze ontwikkeling gaat echter gepaard met de bijhorende uitdagingen. Ten eerste blijft het verkrijgen van datasets een uitdaging, vooral door bezorgdheden over privacy, ook al worden gegevens toegankelijker. Daarnaast is het cruciaal om representatieve datasets te hebben die huidige trends vastleggen, zoals de toename in warmtepompverbruik of de toename in telewerk als gevolg van de COVID-situatie. Ten tweede is het van cruciaal belang om de kwaliteit van de gegevens hoog te houden. Elk compromis betreffende de kwaliteit kan de voorspellingen aanzienlijk verslechteren. Ten derde moeten de stochastische patronen in het energieverbruik van individuele huishoudens specifiek worden aangepakt. De pieken in het verbruik worden voornamelijk beïnvloed door menselijk gedrag, zoals het tijdstip waarop bewoners thuiskomen en apparaten gaan gebruiken. Ten slotte is schaalbaarheid essentieel, vooral wanneer voorspellingen moeten worden toegepast op bijvoorbeeld duizenden huishoudens.

Deze thesis bevat drie belangrijke onderzoekscomponenten. De eerste pakt het tot nu toe onopgeloste probleem van langetermijnvoorspellingen voor individuele huishoudens aan. De voorgestelde methode, om zowel het maandelijkse als jaarlijkse elektriciteitsverbruik van individuele huishoudens te voorspellen, werd ontwikkeld met behulp van pre-processing, data augmentation, clustering en ensemble learning om nauwkeurige voorspellingen te produceren. De methode is in staat om een heel jaar vooruit te voorspellen, zelfs met beperkte historische gegevens, en vereist geen specifieke eigenschappen van de huishoudens. De methode is schaalbaar en nauwkeurig, zoals blijkt uit de toppositie behaald in de IEEE-CIS competitie. Deze methode kan worden toegepast om leveranciers nauwkeurige factureringsmogelijkheden te bieden.

De tweede methode, die kortetermijnvoorspellingen van het verbruik van individuele huishoudens maakt, pakt het dubbele penalty-effect aan. Dit dubbele penalty-effect treedt op wanneer puntvoorspellingsmethoden nauwkeurig een piek voorspellen, maar met een kleine verschuiving in de tijd, waardoor er tweemaal een fout wordt gemaakt, zowel wanneer de piek niet wordt voorspeld als wanneer er verkeerd op wordt geanticipeerd. Een piek met een kleine vertraging voorspellen is echter waardevoller dan hem helemaal missen. Het gebruik van probabilistische voorspellingen vermindert dit probleem effectief. Hier wordt dit probleem aangepakt door middel van een nieuwe globale probabilistische methode, die slechts een week aan historische gegevens van het betreffende huishouden nodig heeft om nauwkeurige voorspellingen één dag vooruit te doen, door gebruik te maken van historische gegevens van andere huishoudens. Het aanpassingsvermogen en de robuustheid van de methode worden bevestigd aan de hand van een evaluatie op drie verschillende datasets en een benchmark met verschillende geavanceerde methoden. De methode past zich, in tegenstelling tot alle andere benchmarks, snel aan wanneer zich grote veranderingen in patronen voordoen, zoals een nieuw gezin of een vakantieperiode.

De derde onderzoekscomponent stelt een uitgebreide pijplijn voor om het energieverbruik van kantoorgebouwen te verminderen. Deze bepaalt automatisch wanneer een stekker inactief of actief is, vervolgens wat het gebruik is en de inschakeling ervan. Met tot 20\% elektriciteitsbesparingen, laat deze methode het potentieel zien voor vraagflexibiliteit en het optimaliseren van de energie-efficiëntie van gebouwen. De automatische detectie van de inactieve versus actieve modus van stekkers, met behulp van een ensemble van unsupervised clustering, ontbrak tot op heden. Bestaande benaderingen identificeren deze inactieve/actieve drempel ofwel door visuele beoordeling ofwel door handmatige experimenten. De gegevens, afkomstig van de Universiteit van Californië in San Diego, bestaan uit meer dan 150 individuele verbruiksprofielen van stekkers over een periode van meer dan een jaar. De gegevens zijn publiek toegankelijk gemaakt voor de gemeenschap en zijn een eerste in hun soort.

Een belangrijke overkoepelende bijdrage van dit onderzoek is de nadruk op transparantie en reproduceerbaarheid. Door toegang te geven tot de ontwikkelde code, een nieuwe dataset te introduceren en altijd open datasets te gebruiken, zorgt dit onderzoek ervoor dat zowel de wetenschappelijke gemeenschap als professionals uit de industrie er waarde uit kunnen halen. Deze open aanpak vergemakkelijkt rigoureuze vergelijkingen in volgend onderzoek en bevordert een samenwerkingsomgeving voor verdere vooruitgang in het veld.

Datum:15 jan 2020 →  9 feb 2024
Trefwoorden:Artificial Intelligence, Smart grid, Modelling
Disciplines:Datamining, Modellering en simulatie, Patroonherkenning en neurale netwerken
Project type:PhD project