Long-term power consumption forecasting through weather conditions

Our work focuses on the development of mathematical models for power consumption forecasting based on meteorological data. We show that, after a proper Seasonal-Trend decomposition with AutoRegressive effects, it is possible to build an almost exact link between the de-seasonalized process and the relevant weather conditions. We exploit this relation using various statistical models and machine learning techniques, starting from Linear Regression and ending with Multilayer Perception Neural Networks and Gaussian Process Regressions.

In questo lavoro modellizziamo la dipendenza tra il consumo di energia e i dati meteorologici. Mostriamo che, tenendo conto di una decomposizione stagionale, di un trend e degli effetti autoregressivi, è possibile costruire una relazione quasi perfetta tra il processo de-stagionalizzato e le condizioni meteo. Descriviamo questa relazione tramite diversi modelli statistici e tecniche di machine learning, partendo dalla Regressione Lineare fino ad arrivare a Reti Neurali e Regressioni attraverso Processi Gaussiani.