Short-term load forecasting of non-residential building with hybrid LSTM and ARX model

In the current fast-changing industrial environment, the effective and efficient prediction of electricity demand of factories and buildings is a critical issue especially in the early stage. In fact, the lack of data at the beginning of the system’s life makes it difficult to take reliable decisions. This is why in the past 60 years researchers tried to invest their time in looking for a good solution. In this thesis a new prediction approach for Short-Load-Term-Forecasting (STLF) using a small amount of data (e.g. 2 weeks) is developed to predict one-day-ahead load of the following week. The numerical validation is based on real data collected by an Italian company located in Bergamo. The final two-stage prediction model employs Long-Short-Term-Memory (LSTM) based Neural Network and an Autoregressive with Exogenous Input (ARX) linear model. The former catches the non-linear complex dynamics and the latter captures the remaining linear dynamics. The proposed model is integrated with weather data and Fictitious Input (FI). Neural Network and intuitive Naive approaches for weather data are developed and the model with the overall best prediction capabilities is considered. A literature review is performed to understand the state-of-the-art prior to the quantitative studies of the proposed approach considering previous thesis on this specific dataset. Furthermore, two coefficients are used for comparative analysis. MAPE coefficient determines forecasting performances and R2 coefficient is employed for fitting performances. The new model’s MAPE and R2 are compared to state-of-the-art ARX and with the single LSTM model results. The proposed method demonstrates superior one-day-ahead forecasting performances with respect to the other models. This conclusion suggests the proposed model should be further developed to better exploit all the characteristics and furtherly improve the forecast. One of the most relevant advantages is the possibility to exploit previous research to compute guaranteed error bounds on the linear residual prediction.

Nell’attuale contesto industriale in rapida evoluzione, la predizione efficace ed efficiente del carico elettrico di industrie ed edifici specialmente nella fase di avvio è un problema critico. La mancanza di dati all’inizio dell’utilizzo rende difficile poter prendere decisioni affidabili. Per questo motivo, da oltre 60 anni i ricercatori investono il loro tempo nel trovare buone soluzioni. Pertanto, in questa tesi viene proposto un nuovo approccio a due stadi per la predizione del consumo elettrico a breve termine (STLF), utilizzando una piccola quantità di dati (e.g. 2 settimane) al fine di predirne giorno per giorno il carico della settimana successiva. L’analisi numerica si basa su dati reali raccolti da una fabbrica italiana nel Bergamasco. Il modello di predizione finale usa dapprima un rete neurale basata su Long-Short-Term-Memory (LSTM) e poi un modello Autoregressivo con Input Esogeno (ARX). Il primo viene utilizzato con lo scopo di predire la dinamica non lineare, mentre il secondo viene utilizzato per la predizione delle rimanenti dinamiche. Il modello proposto è integrato con dati meteorologici e con un input fittizio (FI). In più vengono proposti dei modelli per la predizione dei dati meteorologici utilizzando soluzioni basate su reti neurali e approcci intuitivi. Una revisione della letteratura per conoscere lo stato dell’arte è eseguita prima dell’analisi numerica considerando precedenti lavori che già trattano e analizzano questi dati. Per determinare la capacità predittiva del modello viene utilizzato il coefficiente MAPE, mentre per determinare la capacità di fitting dei dati viene usato il coefficiente R2. Il MAPE e l’R2 del nuovo modello sono paragonati a quelli ottenuti con un modello ARX come proposto in un precedente lavoro e con lo stesso modello LSTM. I risultati dimostrano che il metodo proposto possiede maggiori capacità di predizione rispetto agli altri modelli. Ciò suggerisce che nuovi studi dovrebbero essere condotti basandosi su questa soluzione per sfruttare meglio tutte le caratteristiche e migliorare ulteriormente la capacità predittiva. Un importante vantaggio di questa soluzione è la possibilità di applicare precedenti risultati di ricerca per calcolare errori di accuratezza garantiti del residuo derivante del modello lineare Autoregressivo.