Generation of electricity load profiles for non-residential buildings using statistical methods of machine learning

Abstract

La creciente preocupación por las implicaciones del sector energético en el cambio climático ha influido drásticamente en la evolución de este sector en los últimos años. El gobierno alemán pretende lograr un parque inmobiliario casi neutro desde el punto de vista climático para el año 2050, mediante la expansión de las energías renovables y un uso más eficiente de la energía. La minimización de las emisiones y el aumento de la eficiencia energética dependen directamente de la distribución y adaptación de la generación eléctrica a los edificios existentes. Esto sólo es posible si se conocen los perfiles de demanda eléctrica de los edificios, lo cual no es el caso en la mayoría de los edificios. Por lo tanto, la capacidad de modelar perfiles eléctricos se ha convertido en un aspecto de gran interés para el sector energético.

En consecuencia, en este proyecto se desarrollan dos modelos predictivos top-down con el fin de poder modelar los perfiles de demanda eléctrica de los edificios no residenciales existentes. Ambos utilizan algoritmos de aprendizaje automático y utilizan un método conocido como stacking. El primero se basa únicamente en la regresión, que se realiza para cada hora del día, mientras que el segundo modelo se basa en una combinación de agrupamiento y clasificación de perfiles de demanda eléctrica normalizados y una regresión para el consumo máximo de energía.

Los modelos propuestos utilizan información transversal de los edificios, como los datos de aparatos eléctricos y los datos de las habitaciones, para modelar los perfiles de demanda eléctrica. Ambos han sido entrenados con perfiles previamente medidos y posteriormente han sido evaluados para determinar si son adecuados para llevar a cabo la tarea prevista. Finalmente, los modelos implementados han sido utilizados para cuantificar las dependencias entre los perfiles y los parámetros seleccionados.

The increasing concern of the implications of the energy sector in climate change has drastically influenced the evolution of this sector in recent years. The German government aims to achieve a nearly climate-neutral building stock by 2050 through the expansion of renewable energies and a more efficient use of energy. Minimizing emissions and increasing the energy efficiency lie directly on the distribution and adaptation of generation to the existing building stock. This is only possible if the load profiles of the buildings are known, which is not the case for most buildings. Therefore, the ability of modeling load profiles has become a major interest in the energy sector.

In consequence, two top-down predictive models are developed in this project in order to be able to model the load profiles of existing non-residential buildings. Both use machine-learning algorithms and are based on an ensemble learning method known as stacking. The first one is entirely based on regression analysis, which is performed for every hour of the day, while the second model relies on a combination of clustering and classification of normalized load profiles and regression analysis for the maximum power consumption.

The proposed models use cross-sectional information on buildings such as technical equipment data and room data to model the electricity load profiles. Both have been trained with previously measured load profiles and have been subsequently evaluated to assess if they are suitable to accomplish the intended task. Finally, the implemented models are used to quantify the dependencies between the load profiles and the selected input parameters.