Forecast of power consumption of HVAC systems

Information is the main tool used in smart grids to control the electric power system. Load forecasting is one of the most important needs in grid management. Particularly relevant and difficult to predict is the Heating Ventilation and Air Conditioning (HVAC) contribution to power consumption. This dissertation describes a machine learning model developed in order to predict the average power consumption, in the following 15 minutes, of the HVAC system of the ABB Research centre in Ladenburg. The prediction scheme works based on the time series of power measurement values. All steps taken in building and refining the pattern are explained. As the final outcome, trees-based and rules-based ensemble algorithms outperformed the other methods. The final model provided better performance than three baseline approaches. Decisions made in the pattern construction were aimed to a general applicability. The proposed model was tested on a different dataset, with similar results: baseline approaches were outperformed and the mentioned ensemble algorithms were confirmed as the optimum choice.

Le informazioni sono i principali strumenti usati nelle smart grids per controllare la rete di potenza. La previsione del consumo elettrico dei carichi è una delle prime necessità per una migliore gestione della rete. L'Heating Ventilation Air Conditioning (HVAC) ha un rilevante impatto sui consumi ed il suo comportamento è difficilmente prevedibile. In questa tesi descriviamo un modello di apprendimento automatico sviluppato per prevedere la potenza media, nell'arco dei prossimi 15 minuti, del sistema HVAC del centro di ricerca ABB di Ladenburg. La previsione funziona sulla base dei valori della serie storica della misura della potenza consumata. La descrizione comprende tutti i passaggi effettuati nella costruzione e nel raffinamento del modello. Il risultato conclusivo è che l'apprendimento di insieme (ensemble argorithms) di algoritmi basati su alberi e regole di decisione garantisce migliori risultati rispetto ad altri metodi. Le previsioni ottenute dal modello proposto sono risultate più accurate rispetto ai metodi di predizione base. Nella costruzione del modello, l'obiettivo principale è stato quello di ottenere un'applicabilità quanto più ampia possibile. Il modello proposto è stato testato anche su un altro insieme di dati, con conclusioni simili: l’apprendimento di insieme ha ottenuto migliori risultati rispetto ai metodi base.