A clustering-base approach for city electricity demand forecasting

Energy efficiency is a key challenge for building sustainable societies. Due to the negative effects of climate change, large cities around the world are moving towards more sustainable energy management to provide electricity and efficient energy policies are becoming indispensable. Forecasting large-scale energy demand leads to a better allocation of resources in cities and the reduction of costs that will benefit society as a whole. In this thesis, we analyze the energy consumption in Milan from 2014 to 2016 at the cabin level. We applied tailored time-series clustering methodologies to capture similar trends and shapes in the time-series that represent the energy consumption over time and to discover common usage patterns within the city, highlighting macro-areas with different behaviours and characteristics. We have also built and compared four different time-series forecast models to predict energy needs both with 7 days and 1 day in advance: seasonal ARIMAX (SARIMA), seasonal ARIMAX (SARIMAX), Facebook Prophet (fbprophet) and Short-term memory (LSTM). We found out how seasonal ARIMAX worked best in forecasting short periods of time (1 day) whereas Facebook Prophet did the best in forecasting longer periods of time (7 days). We will show the strengths and weaknesses of each model and how performance is not the only important metric for choosing the best model.

L'efficienza energetica è una sfida chiave per la costruzione di società sostenibili. A causa degli effetti negativi dei cambiamenti climatici, le grandi città di tutto il mondo si stanno muovendo verso una gestione energetica più sostenibile per fornire elettricità e politiche energetiche efficienti stanno diventando sempre più indispensabili. La previsione della domanda di energia su larga scala porta ad una migliore allocazione delle risorse nelle città e alla riduzione dei costi a beneficio della società nel suo insieme. In questa tesi, analizziamo il consumo di energia a Milano dal 2014 al 2016. Abbiamo applicato specifiche metodologie di clustering per serie temporali per evidenziare andamenti e comportamenti simili nelle serie temporali che rappresentano il consumo di energia e scoprire pattern di utilizzo all'interno della città, evidenziando macro-aree con comportamenti e caratteristiche diversi. Abbiamo anche realizzato e confrontato quattro diversi modelli di previsioni di serie temporali per prevedere il fabbisogno energetico sia con 7 giorni che con 1 giorno di anticipo: Seasonal ARIMAX (SARIMA), Seasonal ARIMAX (SARIMAX), Facebook Prophet (fbprophet) e Long Short Term Memory (LSTM). Abbiamo scoperto come Seasonal ARIMAX funziona meglio nella previsione di brevi periodi (1 giorno) mentre Facebook Prophet prevede con più precisione lunghi periodi di tempo (7 giorni). Analizzeremo i punti di forza e di debolezza di ciascun modello e in che modo le prestazioni non sono l'unica metrica importante per la scelta del modello migliore.