Artificial neural networks for short-term probabilistic load forecasting in university buildings

The energy demand at global level has shown an ever increasing trend. Furthermore, the commercial and public services sector has shown the greatest growth in the past decades, most of the sector's energy use related to buildings. As every nation should strive for a balanced Trilemma where energy security, energy equity and environmental sustainability are met. Understanding how, why and when the energy consumption change provides a tool for decision-makers throughout the power networks. In this regard, energy forecasting provides a great service. Instead of following the classic point forecast approach, this research proposes a probabilistic approach to capture the five inherent dimensions of a forecast: 3D in space, time and probability. The probabilistic forecasts are generated as a post-treatment of point forecasts based on shallow artificial neural networks. By employing a dynamic ensemble approach, different futures for the test days are simulated. The singular value decomposition (SVD) technique is then used herein to generate temperature scenarios. Indeed, the created temperature profiles served two purposes: studying uncertainty propagation into the point forecasts and to project different futures for the probabilistic forecast. Furthermore, to account for time effects such hour of the day and season, the corresponding indexes were transformed with a cosine function to coarsely provide information on day-night and summer-winter shifts. Additionally, recency effect was captured by the first and second derivatives of the predictors. Feature selection was carried out with a non-parametric approach. Buildings part of Politecnico di Milano Bovisa campus are used as the case study. The aim of this research is to generate a probabilistic load forecasts for the day ahead at building level by taking a dynamic ensemble approach. The results of this work are intended to explore the generation of probabilistic forecasts based on temperature scenarios, and to study the main drivers for energy consumption in buildings.

La domanda globale di energia è caratterizzata da un andamento crescente. In particolare, il settore dei servizi pubblici e commerciali ha mostrato un forte aumento negli ultimi decenni, dove la maggior parte del consumo è dovuto agli edifici. Ogni nazione dovrebbe lottare per un balanced Trilemma in cui la sicurezza energetica, l'equità energetica e la sostenibilità ambientale siano soddisfatte. Per prendere decisioni consapevoli, diventa dunque cruciale caratterizzare approfonditamente il consumo energetico e, a tal proposito, la previsione energetica rappresenta un ottimo strumento. Invece di seguire il classico approccio di previsione puntuale, questa ricerca propone un approccio probabilistico per catturare le cinque dimensioni intrinseche di una previsione: 3D nello spazio, tempo e probabilità. Le previsioni probabilistiche vengono generate come post-trattamento di previsioni puntuali basate su reti neurali superficiali. Tramite previsioni di ensemble dinamico, vengono simulati diversi futuri per i giorni di prova. Sfruttando la tecnica di decomposizione ai valori singolari (SVD in inglese), è possibile generare gli scenari di temperatura. Questi vengono utilizzati per due scopi: studiare la propagazione dell'incertezza nelle previsioni puntuali e proiettare futuri diversi per la previsione probabilistica. Per tenere conto degli effetti temporali come l'ora del giorno e la stagione, gli indici corrispondenti sono stati trasformati con una funzione coseno per fornire grossolanamente informazioni sui turni giorno-notte e estate-inverno. Inoltre, l'effetto bias recente è stato catturato dalla prima e dalla seconda derivata dei predittori. La selezione delle caratteristiche è stata effettuata con un approccio non parametrico. Gli edifici che sono stati utilizzati come caso di studio fanno parte del campus del Politecnico di Milano Bovisa . L'obiettivo di questa ricerca è generare previsioni probabilistiche del carico dell'edificio per il giorno successivo adottando un approccio di ensemble dinamico. I risultati ottenuti hanno lo scopo di esplorare la generazione di previsioni probabilistiche basate su scenari di temperatura e di studiare i principali driver per il consumo di energia negli edifici.