Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.22/19382 |
Resumo: | O consumo de energia nos edifícios é significativo. De forma a acompanhar a demanda de energia, começou-se a recorrer a energias renováveis para produzir mais energia de uma forma sustentável. Isso levou, no entanto, a um aumento da penetração de energia de natureza variável na rede. Para que se possa fazer face à variação do lado da geração, é necessário o desenvolvimento de modelos de gestão e adaptação do lado do consumo. Uma forma de desenvolver métodos para diminuir e gerir o consumo em habitações é conseguir prever o consumo das habitações. Há muitas metodologias que podem ser usados para identificar e prever dados, mas para esta dissertação foi usado o Hidden Markov Model (HMM), uma vez que muitos artigos demonstraram bons resultados na sua aplicação a problemas com características semelhantes. Foi usado a livraria “HMM” existente no programa R. Dos testes efetuados com o HMM, foi possível verificar que este consegue prever os consumos de energia. No entanto, em diferentes testes de outros autores, os seus HMMs obtiveram melhores resultados. Uma limitação encontrada foi a falta de possibilidade de personalização do programa utilizado, o que leva a que em situações mais complexas, os resultados obtidos podem não ser satisfatórios. Ao efetuar o último teste, foi feito um treino com o HMM de vários dias, para de seguida prever os estados nos dias seguintes. Quando a previsão foi efetuada, comparou-se esses dias previstos com os dados reais existentes na base de dados, tendo conseguido prever corretamente 48% dos estados escondidos e 72% dos estados observáveis. |
id |
RCAP_13714fea39e9abb0b20f1a400a3b6dc0 |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/19382 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de MarkovConsumo de eletricidade em edifícios residenciaisPrevisão de consumoHidden Markov ModelRHousehold energy consumptionConsumption predictionO consumo de energia nos edifícios é significativo. De forma a acompanhar a demanda de energia, começou-se a recorrer a energias renováveis para produzir mais energia de uma forma sustentável. Isso levou, no entanto, a um aumento da penetração de energia de natureza variável na rede. Para que se possa fazer face à variação do lado da geração, é necessário o desenvolvimento de modelos de gestão e adaptação do lado do consumo. Uma forma de desenvolver métodos para diminuir e gerir o consumo em habitações é conseguir prever o consumo das habitações. Há muitas metodologias que podem ser usados para identificar e prever dados, mas para esta dissertação foi usado o Hidden Markov Model (HMM), uma vez que muitos artigos demonstraram bons resultados na sua aplicação a problemas com características semelhantes. Foi usado a livraria “HMM” existente no programa R. Dos testes efetuados com o HMM, foi possível verificar que este consegue prever os consumos de energia. No entanto, em diferentes testes de outros autores, os seus HMMs obtiveram melhores resultados. Uma limitação encontrada foi a falta de possibilidade de personalização do programa utilizado, o que leva a que em situações mais complexas, os resultados obtidos podem não ser satisfatórios. Ao efetuar o último teste, foi feito um treino com o HMM de vários dias, para de seguida prever os estados nos dias seguintes. Quando a previsão foi efetuada, comparou-se esses dias previstos com os dados reais existentes na base de dados, tendo conseguido prever corretamente 48% dos estados escondidos e 72% dos estados observáveis.The energy consumption on household buildings is high. To keep up with the demand, it started to use renewable energies to produce more energy in a sustainable way, but it led to the increase of the energy penetration in the grid. To face the variation on the generation side, it is necessary to develop methodologies to predict the energy consumption of the habitants. There is a big number of different methodologies that can identify and predict the consumption, but for this dissertation was used the Hidden Markov Model, since a good number of scientific articles showed a good outcome when applied to problems with similar characteristics. It was used the “HMM” library in the program R. It was possible to testify that the HMM can predict the consumption. However, other authors tests were able to get better results with their HMMs. One limitation is the lack of customization of the used program, so it can lead to worst results if the problem is more complex. With the last test, was possible to train the HMM for multiple days and predict the consumption for the next three days. When the prediction was done, the data was compared to the real data and the HMM was able to predict correctly 48% of the hidden states and 72% of the observable states.Vale, Zita Maria Almeida doRepositório Científico do Instituto Politécnico do PortoAndrade, Francisco Manuel Pereira Resende de2022-01-11T12:23:23Z20212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/19382TID:202796353porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T13:14:02Zoai:recipp.ipp.pt:10400.22/19382Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:39:30.379347Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
title |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
spellingShingle |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov Andrade, Francisco Manuel Pereira Resende de Consumo de eletricidade em edifícios residenciais Previsão de consumo Hidden Markov Model R Household energy consumption Consumption prediction |
title_short |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
title_full |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
title_fullStr |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
title_full_unstemmed |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
title_sort |
Análise e Previsão de Padrões de Consumo com Modelo Escondido de Markov |
author |
Andrade, Francisco Manuel Pereira Resende de |
author_facet |
Andrade, Francisco Manuel Pereira Resende de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Vale, Zita Maria Almeida do Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Andrade, Francisco Manuel Pereira Resende de |
dc.subject.por.fl_str_mv |
Consumo de eletricidade em edifícios residenciais Previsão de consumo Hidden Markov Model R Household energy consumption Consumption prediction |
topic |
Consumo de eletricidade em edifícios residenciais Previsão de consumo Hidden Markov Model R Household energy consumption Consumption prediction |
description |
O consumo de energia nos edifícios é significativo. De forma a acompanhar a demanda de energia, começou-se a recorrer a energias renováveis para produzir mais energia de uma forma sustentável. Isso levou, no entanto, a um aumento da penetração de energia de natureza variável na rede. Para que se possa fazer face à variação do lado da geração, é necessário o desenvolvimento de modelos de gestão e adaptação do lado do consumo. Uma forma de desenvolver métodos para diminuir e gerir o consumo em habitações é conseguir prever o consumo das habitações. Há muitas metodologias que podem ser usados para identificar e prever dados, mas para esta dissertação foi usado o Hidden Markov Model (HMM), uma vez que muitos artigos demonstraram bons resultados na sua aplicação a problemas com características semelhantes. Foi usado a livraria “HMM” existente no programa R. Dos testes efetuados com o HMM, foi possível verificar que este consegue prever os consumos de energia. No entanto, em diferentes testes de outros autores, os seus HMMs obtiveram melhores resultados. Uma limitação encontrada foi a falta de possibilidade de personalização do programa utilizado, o que leva a que em situações mais complexas, os resultados obtidos podem não ser satisfatórios. Ao efetuar o último teste, foi feito um treino com o HMM de vários dias, para de seguida prever os estados nos dias seguintes. Quando a previsão foi efetuada, comparou-se esses dias previstos com os dados reais existentes na base de dados, tendo conseguido prever corretamente 48% dos estados escondidos e 72% dos estados observáveis. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2021-01-01T00:00:00Z 2022-01-11T12:23:23Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.22/19382 TID:202796353 |
url |
http://hdl.handle.net/10400.22/19382 |
identifier_str_mv |
TID:202796353 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799131483112210432 |