Πρόβλεψη Ηλεκτρικής Κατανάλωσης Κτιρίων μέσω Ενεργειακών Δεικτών και Μεθόδων Χρονοσειρών

Abstract

Ο στόχος της παρούσας διπλωματικής εργασίας είναι η πρόταση μιας μεθοδολογίας η οποία θα μπορεί να εφαρμοσθεί για την παραγωγή προβλέψεων ενεργειακής κατανάλωσης σε ιεραρχικά δομημένες χρονοσειρές εμπορικών κτιρίων. Η μεθοδολογία αυτή συνδυάζει ένα πρώτο στάδιο στατιστικής επεξεργασίας των διαθέσιμων χρονοσειρών, με ένα δεύτερο στάδιο παραγωγής προβλέψεων, μέσω διαγωνισμού μεταξύ διαθέσιμων μοντέλων πρόβλεψης. Στη συνέχεια, παρουσίαζεται μια εναλλακτική προσέγγιση μέσω ενός παραμετρικού μοντέλου πολλαπλής γραμμικής παλινδρόμησης, το οποίο αξιοποιεί ως μεταβλητές πιθανά διαθέσιμους ενεργειακούς δείκτες. Τέλος, η εργασία περιλαμβάνει δύο μελέτες εφαρμογής. Η πρώτη αναφέρεται σε εστιατόριο, ενώ η δέύτερη σε καταστήματα τραπεζών. Προκύπτουν συμπεράσματα για την ακρίβεια των προβλέψεων ανάμεσα στις δύο προσεγγίσεις. Η πρώτη σύγκριση αφορά μόνο τη μεθοδολογία χρονοσειρών, ενώ η δεύτερη συμπεριλαμβάνει και το παραμετρικό μοντέλο, επιτρέποντάς μας να πραγματοποιήσουμε μια πειραματική σύγκριση των δύο προσεγγίσεων.

In this study, a forecasting methodology which can be applied to hierarchically organized time series in order to provide forecasts, based on historical data of energy consumption groups is proposed. This methodology consists of two main stages. The first stage involves an effective time series analysis where the most important characteristics of the time series, such as stationarity, autocorrelation, partial autocorrelation, trend and seasonality are examined. Emphasis is given on normality tests, which are the criterion for further data process. After a competition procedure between the forecasting models available, three hierarchical approaches are applied, in order to obtain the final forecasts per hierarchical level. However, energy performance of commercial buildings is influenced by many factors, such as the operation of sub-level components like lighting and HVAC systems. Therefore, the most significant and representative Energy Indicators are defined, then selected using clustering techniques and incorporates to a parametric forecasting model, in order to evaluate the building's future energy performance. Finally, two case studies are conducted in order to compare these two methods in terms of errors and residuals and examine whether the inclusion of energy performance indicators in linear models could improve multi-step ahead energy consumption forecasting accuracy.