Vis enkel innførsel

dc.contributor.advisorBergland, Olvar
dc.contributor.advisorSteen, Marie
dc.contributor.authorAronsen, Amanda Sophie
dc.contributor.authorGravem, Marius Liabø
dc.coverage.spatialNorwayen_US
dc.date.accessioned2022-02-02T12:48:06Z
dc.date.available2022-02-02T12:48:06Z
dc.date.issued2021
dc.identifier.urihttps://hdl.handle.net/11250/2976666
dc.description.abstractIn this master thesis, the hourly electricity load in Norway for 2019 is forecasted a day-ahead, using past historical load from Nord Pool, weather temperature, and calendar effects for various holidays. Three models are constructed, one using a Dynamic Harmonic Regression (DHR) model with Autoregressive Integrated Moving Average (ARIMA) errors, and two artificial neural networks; one using Multi-Layer Perceptron (MLP) and another using Neural Network Autoregression (NNAR). The forecast accuracy is evaluated in terms of Mean Absolute Percentage Error (MAPE) for the five different bidding zones of Norway and the aggregate. The predictions provided is then compared to a baseline seasonal naïve model and with the published forecasts by Nord Pool and ENTSO-E. For the resulting forecast models, the DHR outperforms the other models overall for the all the zones with an average MAPE of 2,73%, ranging from 1,84% for NO, to 3,53% for NO5. As for the NNAR, it performs slightly worse with the average MAPE of 3,38%, ranging from 1,91% to 4,66% for the same zones, but outperforms the DHR model between peak hours, some of the months and during weekdays for NO. Comparatively, the Seasonal naïve achieves an average MAPE of 6,40% across the zones, whereas the MLP fails to beat the baseline at 11,98%en_US
dc.description.abstractI denne masteroppgaven prognostiseres den timesbaserte elektrisitets-etterspørselen i Norge for 2019 en dag i forveien, ved bruk av historisk etterspørsel hentet fra Nord Pool, temperatur, og kalendereffekter for de ulike helligdagene. Tre modeller blir konstruert, en som bruker en Dynamisk Harmonisk Regresjon (DHR) modell med Autoregressive Integrated Moving Average (ARIMA) feil, og to kunstig nevrale nettverk; en som bruker Multi-Layer Perceptron (MLP) og en annen med et autoregressivt nevralt nettverk (NNAR). Treffsikkerheten til prognosene vurderes etter feilmålet Mean Absolute Percentage Error (MAPE) for de fem ulike prisområdene i Norge og samlet. Prognosene blir sammenlignet med en sesong-naiv referansemodell og mot de publiserte prognosene av Nord Pool og ENTSO-E. For de resulterende prognose-modellene slår DHR de andre modellene totalt sett for alle områdene med en gjennomsnittlig 2,73% MAPE, som varier fra 1,84% for NO, til 3,53% for NO5. NNAR modellen presterer litt lavere med en gjennomsnittlig MAPE på 3,38%, som varierer fra 1,91% til 4,66% for de samme sonene, men slår DHR-modellen mellom forbrukstoppene, enkelte måneder og på ukedager for NO. Sammenlignet med sesongnaiv modellen så scorer den en gjennomsnittlig MAPE på 6,40% på kryss av sonene, mens MLP ikke klarer å slå referansemodellen med 11,98% MAPE.en_US
dc.language.isoengen_US
dc.publisherNorwegian University of Life Sciences, Åsen_US
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.titleForecasting short-term electricity load in Norway : using a dynamic harmonic regression approach and artificial neural networksen_US
dc.typeMaster thesisen_US
dc.description.localcodeM-ØAen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal