Robust energy forecasting : Harnessing deep learning and grey-box building models

Abstract

Forecasting is a critical cornerstone in the efficient operation of smart grids. This thesis introduces an integrated approach that prioritizes advanced forecasting methods to optimize operational efficiency and minimize energy consumption and costs. The core objectives revolve around three vital aspects: wind power generation forecasting, energy demand prediction, and the evaluation of forecasting methodologies.To tackle the complexities of wind power forecasting, a novel deep neural network-based model, Neural Expansion Analysis for Time Series Forecasting (N-BEATS), is proposed. N-BEATS leverages a tailored loss function to mitigate forecast bias and provides insightful outputs by decomposing components like trend and seasonality. Demonstrating its competitiveness, the model surpasses established counterparts in terms of accuracy and superiority across various scenarios, using real-world wind power data spanning 15 European countries.In the realm of energy demand prediction for grid optimization, this study underscores the critical importance of considering both qualitative and quantitative indicators. Metrics such as mean absolute percentage error (MAPE) and root mean square error (RMSE) gauge forecast quality, while the tangible results for a given energy community, encompassing aspects like load coverage, supply capacity, on-site energy ratios, and electricity expenses, assess forecast value. This holistic framework accentuates the intrinsic link between precise predictions and the enhancement of energy community performance. It underscores the necessity of incorporating both quality and value indicators in the selection of an optimal forecasting approach.Moreover, this study scrutinizes the efficacy of diverse forecasting techniques in streamlining energy community operations amid volatile energy prices. Diverse methods, ranging from machine learning algorithms to statistical models, are deployed to anticipate energy and domestic hot water (DHW) demand. The outcomes endorse advanced approaches such as XGBoost, Prophet, and Neural Basis Expansion Analysis for Time Series with Exogenous variables (NBEATSx) for their superiority over rudimentary methods, translating into substantial savings and substantial reductions in grid imports and exports compared to baseline models.Collectively, this integrated study underscores the pivotal role of precise forecasts in optimizing energy community operations and achieving self-sufficiency. The introduction of a deep learning approach as a wind power forecasting model, alongside sophisticated machine learning algorithms for energy demand prediction, not only enhances accuracy but also provides interpretable outputs. The findings accentuate the necessity of integrating both quality and value indicators when selecting an appropriate forecasting approach, offering valuable insights for practitioners and policymakers navigating the intricacies of energy community management amidst a backdrop of volatile energy prices.

Die Prognose ist ein entscheidender Eckpfeiler für den effizienten Betrieb intelligenter Stromnetze. Diese Dissertation stellt einen integrierten Ansatz vor, der fortschrittliche Prognosemethoden implementiert, um die betriebliche Effizienz zu optimieren und den Energieverbrauch sowie die Kosten zu minimieren. Die Kernziele drehen sich um drei wesentliche Aspekte: die Prognose der Windleistung, die Vorhersage des Energiebedarfs in einer Stromgemeinschaft und die Bewertung von Prognosemethoden.Um die Komplexität der Windleistungsprognose zu bewältigen, wird ein neues Modell auf Basis von Deep Neural Networks, das Neural Expansion Analysis für die Zeitreihenprognose (N-BEATS), vorgestellt. N-BEATS nutzt eine maßgeschneiderte Verlustfunktion, um Prognosefehler zu minimieren, und liefert aufschlussreiche Ergebnisse durch die Zerlegung von Komponenten wie Trend und Saisonalität. In verschiedenen Szenarien übertrifft das Modell etablierte Methoden hinsichtlich Genauigkeit und zwar anhand von realen Windenergiedaten aus 15 europäischen Ländern.Im Bereich der Vorhersage des Energiebedarfs zur Optimierung eines Mehrparteienhauses betont diese Studie die entscheidende Bedeutung sowohl qualitativer als auch quantitativer Indikatoren. Metriken wie der mittlere absolute Prozentsatzfehler (MAPE) und die Quadratwurzel des mittleren quadratischen Fehlers (RMSE) bewerten die Prognosequalität, während die konkreten Ergebnisse für eine gegebene Energiegemeinschaft Aspekte wie Lastabdeckung, Versorgungskapazität, Eigenenergieverbrauch und Stromkosten bewerten. Dieser ganzheitliche Ansatz betont die intrinsische Verbindung zwischen präzisen Vorhersagen und der Verbesserung der Effizienz von Energiegemeinschaften. Er unterstreicht die Notwendigkeit, sowohl qualitative als auch quantitative Indikatoren bei der Auswahl eines optimalen Prognoseansatzes zu berücksichtigen. Darüber hinaus untersucht diese Studie die Wirksamkeit verschiedener Prognosetechniken bei der Optimierung des Betriebs von Energiegemeinschaften angesichts volatiler Energiepreise. Unterschiedliche Methoden, von maschinellem Lernen bis hin zu statistischen Modellen, werden eingesetzt, um den Energie- und Warmwasserbedarf vorherzusagen. Die Ergebnisse befürworten fortschrittliche Ansätze wie XGBoost, Prophet und NBEATSx aufgrund ihrer Überlegenheit gegenüber klassischen Methoden. Dies führt zu erheblichen Einsparungen und deutlichen Reduzierungen der Netzimporte und -exporte im Vergleich zu Basismodellen.Insgesamt unterstreicht diese integrierte Studie die Schlüsselrolle präziser Prognosen bei der Optimierung des Betriebs von Energiegemeinschaften und der Erreichung von Autarkie. Die Ergebnisse betonen die Notwendigkeit der Integration sowohl qualitativer als auch quantitativer Indikatoren bei der Auswahl eines geeigneten Prognoseansatzes und bieten wertvolle Erkenntnisse für Fachleute und Entscheidungsträger.