Non-residential building short-term load forecasting with linear and nonlinear ARX model

This thesis focuses on the development of a forecasting algorithm that requires a small amount of data, using time-series and machine learning techniques, in order to realize short-term load forecasting (STLF) of buildings electrical energy consumption. The study is based on a real data-set collected from an office building located in Bergamo. In particular, this work resorted to linear ARX (Autoregressive with Exogenous Input) and nonlinear ARX neural networks (NARX NN) models, which are integrated with a novel Fictitious Input (FI) technique proposed here. The scope of this thesis includes a literature review, and the formulation and development of the proposed techniques. Finally, the experiments conducted on the considered data-set are detailed, from the aspects of fitting performance reported by R squared, to forecasting performance reported by MAPE and the average training time. The proposed models demonstrate their ability to perform one-day-ahead load forecasting with a very limited amount of historical data (i.e. 2 weeks), with forecasting accuracy comparable with one of the state-of-the-art models chosen from recent literatures, which uses 2 years of historical data for training. Moreover, the proposed linear ARX model could be integrated with one of the previous research outcomes by Fagiano and Lauricella, producing guaranteed simulation error bounds. This work also leaves some promising directions for future developments.

Questa tesi si concentra sullo sviluppo di modelli predittivi ricavati da una serie breve di dati sperimentali, utilizzando tecniche di apprendimento automatico, al fine di prevedere il consumo di energia elettrica a breve termine (short-term load forecasting, STLF) di un edificio, basandosi su un database reale raccolto da un edificio per uffici situato a Bergamo. In particolare, questo lavoro fa ricorso a modelli ARX (autoregressivi con input esogeno) lineari, e reti neurali ARX nonlineari (NARX NN), che sono integrati con una nuova tecnica di input fittizio (FI) proposta. La tesi include una revisione della letteratura delle opere correlate, la formulazione e lo sviluppo dei modelli proposti, e gli esperimenti condotti sul set di dati considerato. Vengono quindi riportate e commentate le prestazioni di previsione in base all'indicatore R quadrato, all'errore medio di predizione (MAPE), e al tempo medio di identificazione del modello. I modelli proposti forniscono previsioni del consumo energetico futuro usando una quantità molto limitata di dati storici (2 settimane), con accuratezze di previsione comparabili con uno dei modelli allo stato dell'arte scelti dalla letteratura recente, che utilizza 2 anni di dati storici per l'identificazione. Inoltre, il modello ARX lineare proposto permette l'utilizzo dei risultati della ricerca recentemente condotta dai supervisori Fagiano e Lauricella, fornendo limiti di errore garantiti sull'accuratezza di simulazione. Questo lavoro indica infine anche alcuni promettenti sviluppi futuri.