Prediksjon av elektrisitetsbruk i næringsbygg: Casestudie av Oslo Lufthavn Gardermoen

Abstract

For å tilpasse kraftsystemet til fremtidens behov, med økt elektrisitetsbruk og endret energimiks, kan forbrukerne i nettet og effektivisering av el-bruk spille en viktig rolle. Tiltak som energieffektivisering i bygg og lastrespons, som kan gi økt fleksibilitet i kraftnettet, krever prognoser for energi- og elektrisitetsbruk. Oslo lufthavn Gardermoen (OSL) har høy elektrisitetsbruk og store bygningsmasser, sammensatte laster og mange parkerte elektriske kjøretøy hvor det kan være fleksibilitet å hente. Denne oppgaven kartlegger derfor hvordan maskinlæringsalgoritmer kan brukes til å lage prognoser for elektrisitetsbruken til Oslo lufthavn én og 24 timer frem i tid.

For å predikere timeeffekt [kWh/h] for OSL i sommerhalvåret 2019 ble maskinlæringsalgoritmen Long Short-Term Memory (LSTM) brukt, en undertype av rekursive nevrale nettverk (RNN) som er godt egnet til prediksjon av tidsserier. Prediksjonene ble basert på meteorologiske parametere, kalenderinformasjon og passasjerantall.

38 modellkonfigurasjoner med ulike forklaringsvariabler og ulik nettverksarkitektur ble testet til prediksjon av el-bruk én time frem i tid. Modellene hadde ulike grader av treffsikkerhet, med Mean Absolute Percentage Error (MAPE) på 3,7-8,9 %. De fanget hovedmønstrene i el-bruken, men traff i mindre grad toppene. Med én time prediksjonshorisont fikk en enkel basismodell med ett LSTM-lag og kalenderinformasjon, meteorologiske parametere og passasjerantall som forklaringsvariabler MAPE på 6 %. Det ble vist at enkle nettverk med få forklaringsvariabler og mer komplekse nettverk med flere forklaringsvariabler ga best prediksjoner én time frem i tid. Den beste modellen hadde samme arkitektur som basismodellen, men kun time på døgnet og tidligere el-bruk som forklaringsvariabler. Modellen hadde MAPE på 3,7 %. Resultatene viser at tidligere elektrisitetsbruk var den viktigste forklaringsvariabelen.

For å kartlegge modellenes treffsikkerhet ved lengre prediksjonshorisonter, ble fire modellkonfigurasjoner testet til prediksjon et døgn frem i tid. De hadde MAPE på 4,7-5,5 %. I likhet med prediksjonene én time frem i tid, predikerte modellene mønstre bedre enn topper, men de hadde mer tydelig forverring utover i testsettet. En mer kompleks modell med tre LSTM-lag gjorde det best 24 timer frem i tid, med MAPE på 4,7 %. Modellene predikerte med tilsvarende treffsikkerhet som ved kortere prediksjonshorisont, noe som viser potensiale for ytterligere utvidelser i tid.

Undersøkelser av forklaringsvariabelenes innvirkning på prediksjonene viser at lufttemperatur bidrar til å bedre modellene, mens vindhastighet og nedbør er mindre viktige. Antallet terminalpassasjerer på OSL per uke bidro noe til prediksjonene, men det vil trolig være mer hensiktsmessig å bruke et aktivitetsmål med samme oppløsning som elektrisitetsmålingene. Riktig kombinasjon av variabelvalg og modelloppbygging ble vist å være viktig for prediksjonsresultatene.

Oppgaven viser at modeller basert på LSTM-algoritmen kan gi lastprognoser for Oslo lufthavn. For å bekrefte resultatene bør modellene testes på andre tidsrom.

In order to adapt the power systems to the needs of the future, with increased electricity usage and changes in the energy mix, consumers in the grid and more efficient energy use can play vital roles. Improving the energy efficiency of buildings and implementing demand response to increase flexibility in the power grid require detailed forecasts of energy and electricity usage. Oslo Airport (OSL) has many buildings and a high electricity usage, but also varied loads and many parked EV's that could offer flexibility to the grid. This thesis therefore explores how machine learning (ML) algorithms can be used to forecast the electricity usage at OSL with forecast horizons of one and 24 hours.

To predict the target hourly electricity usage [kWh/h] for the airport in the summer half of 2019, the ML algorithm Recursive Neural Networks (RNN) of the subtype Long Short-Term Memory (LSTM), which is well suited for work on time series, was used. The features used in the predictions were measurements of meteorological variables, calendar variables and the number of passengers in the aiport terminals.

38 model configurations using different combinations of features and network architectures were tested on forecasting electricity usage one hour ahead. The models gave varying results, with MAPE ranging from 3,7 % to 8,9 %. Most models learned the main patterns in the electricity usage, but were less well-aimed at peak prediction. Simple networks with few features or more complex networks with more features were most precise. A baseline model with one LSTM layer using time variables, meteorological variables and number of passengers as features obtained a 6 % MAPE. The best performing model had the same architecture as the baseline model, but only hour of the day and previous electricity usage as features. This model obtained a 3,7 % MAPE. The results showed the importance of including previous electricity usage as a feature.

To explore the models potential on longer prediction horizons, four model configurations were used to forecast 24 hours ahead. These models obtained MAPE scores of 4,7-5,5 %. Similarily to the predictions one hour ahead, the models were better at predicting general patterns than peaks, but the visual accuracy showed stronger deterioration over time. A more complex model with three layers and 64 units in each layer had the lowest MAPE of 4,7 %. The models were just marginally worse with a longer prediction horizon, which shows potential for forecasting further ahead.

Assessments of the impact the features had on results show that measurements of air temperature helped improve the scores, while wind speed and precipitation had less of an impact. The number of teminal passengers at OSL per week did contribute, but it would probably be more suitable to have an indicator of activity level with the same resolution in time as the target. Finding the right combination between features and network architecture was shown to be important for the final results.

This thesis shows that models based on the LSTM algorithm are suitable for forecasting electricity usage at Oslo airport. To confirm these results, the models should be tested on other time periods.