| dc.description.abstract | Evnen til å forutsi lastforbruket spiller en avgjørende rolle for å minke energisvinn. Med presise prediksjoner kan energileverandører finjustere produksjonsplanene sine og justere energiproduksjonen for å møte den forventede etterspørselen. Dette minimerer behovet for overflødig energiproduksjon i perioder med lavere etterspørsel, reduserer unødvendig energisvinn og reduserer driftskostnadene. Dette blir gjort på mange måter, men i denne oppgaven skal vi i hovedsak fokusere på to metoder.
Fordelene av gode prediksjoner av belastningen på strømnettet er at man kan optimalisere energidistribusjonen for å få høyest nytte av den. Ved å forutsi når og hvor etterspørsel kan være, er det mulig allokere de rette ressursene for å tilfredsstille etterspørselen på en mer effektiv måte for å unngå mulige strømbrudd. Som et resultat av dette kan man ved å skape et mer stabilt strømnett øke kvaliteten av produkt man tilbyr kundene sine.
I denne oppgaven ønsker vi å oppnå tilnærmingsmodeller som kan prediktere lasten i to forbrukergrupper som vi har respektivt kalt gruppe A og gruppe B. Vi skal se på hvordan eksogene variabler kan påvirke etterspørselen på strømnettet over en korttidsperiode på 24 timer. En prediksjonsdato er tilfeldig valgt til å være den 17. desember 2015. Denne datoen er valgt som tidspunktet for prognosene som kommer til å bli gjennomført i denne oppgaven. Dette skal gjøres i hovedsak med to modellgrupper, en tradisjonell og en som bygger på maskinlæring.
For hver av de modellgruppene som er nevnt, vil vi nøye undersøke hvilke variasjoner og tilpasninger innad i hver modell som gir de beste resultatene. Dette innebærer en detaljert analyse av ulike parametere, metoder og tilnærminger som kan benyttes innenfor hver modellgruppe. Målet er å identifisere de mest effektive kombinasjonene og konfigurasjonene av disse variablene som fører til best mulig prognoseytelse. Som en videreføring av dette skal de forskjellige modellene innad i hver gruppe kombineres og settes under en paraplymodell som skal gi den beste prognosen for hver husholdning.
I drift og planlegging av kraftdistribusjonsnett er det avgjørende å forstå og estimere totale last- og produksjonsprofiler. Den totale lasten og produksjonen i distribusjonsnettet er imidlertid aggregering av individuelle last- og produksjonstyper. Siden kraftselskapet er ute etter topplast for å undersøke hvilke muligheter de har for å levere denne. Avansert distribusjonsnettverksdrift er sterkt avhengig av gode modeller og prognoser for å optimere driften.
Disse laststatistiske modeller bygges ved å analysere tilfeldighetsfaktorer og tidsseriedataanalyse sammen med forskjellige eksterne faktorer for å gjøre gode prediksjoner. Med en økende tilgang av lastdata på forbrukersiden, legger det til rette for muligheten å gjennomføre detaljerte analyser på mikronivå. Målet er å utvikle gode modeller som kan med god nøyaktig forutsi forbruksmønstre på husholdningsnivå, og dermed forbedre kvaliteten på prognosene som brukes i driftsplanleggingen av distribusjonsnettet. Dette åpner for en mer presis og målrettet tilnærming til ressursallokering og nettstyring, som i sin tur bidrar til å optimalisere energiforsyningen og forbedre kundeopplevelsen.
Det som gjør dette spesielt aktuelt i nåtid er den store teknologiske framgangen inne analysering og prediksjonsverktøyer. Utvikling av maskinlæringsalgoritmer har gjort det enklere jobbe med og analysere store mengder data for å modellere forskjellige systemer. I dag har man tilgang til store mengder med detaljert lastdata fra forbrukeren sin side, og sammen med god IKT-infrastruktur har det blitt enklere å lagre, analysere og bearbeide store mengder med data. | |