Prediction of energy load profiles

Abstract

Prediction of energy load profiles is an important topic in Smart Grid technologies. Accurate forecasts can lead to reduced costs and decreased dependency on commercial power suppliers by adapting to prices on energy market, efficient utilisation of solar and wind energy and sophisticated load scheduling. This thesis compares various statistical and machine learning models and their ability to forecast load profile for an entire day divided into 48 half-hour intervals. Additionally, we examine various preprocessing methods and their influence on the accuracy of the models. We also compare a variety of imputation methods that are designed to reconstruct missing observation commonly present in energy consumption data.

Predikce profilů spotřeby elektrické energie je důležitým tématem Smart Grid technologií. Přesné předpovědi mohou vést redukci cen a snížení závislosti na komerčních dodavatelích energie pomocí adaptace na ceny na energetickém trhu, efektivního využití solární a větrné energie a promyšleného plánování spotřeby. Tato diplomová práce porovnává různé statistické modely s metodami strojového učení, a také jejich schopnost předpovídat profily spotřeby elektrické energie na celý den rozdělený do 48 půlhodinových časových intervalů. Dále se věnujeme různým metodám předzpracování dat a jejich vlivu na přesnost modelů. Navíc také porovnáváme rozličné metody imputace dat, které rekonstruuji chybějící pozorování častokrát přítomné v datech energetické spotřeby.