aalto1 untyped-item.component.html
Sähkön kulutusennuste muuttuvissa sääolosuhteissa
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Electrical Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
fi
Pages
45
Series
Abstract
The increase of wind and solar power in the energy mix has brought a considerable increase to the volatility of prices in the day-ahead market for electricity. In addition, the increase of price-dependant consumption in the power system has introduced plenty of fluctuation in the consumption of electricity. It is essential for electricity producers to plan their production according to which marketplace is the most profitable. Forecasting electricity consumption has a vital role in predicting day-ahead prices of electricity. Therefore, having an accurate model for consumption is very important.
To begin, this thesis presents an overview of the operating models of different marketplaces for electricity, an overview of electricity consumption trends and methods for forecasting it. Following the background, machine learning, neural networks and their use in forecasting electricity consumption are discussed. After which, the neural network built for this thesis for forecasting short-term consumption of electricity is presented.
The study identified the factors most affecting electricity consumption, such as day of the week and temperature. The correlation between the change in electricity consumption and price was examined at different price levels. The developed model was also compared to other models. The model provided accurate forecasts and can be used for forecasting prices in the day-ahead market.
Tuuli- ja aurinkovoiman kasvava osuus energiantuotannossa on tuonut mukanaan hyvin suurta vaihtelua sähkön hintoihin vuorokausimarkkinoilla. Kasvanut hintariippuvaisen kulutuksen määrä järjestelmässä on lisäksi tuonut runsaasti vaihtelua sähkön kulutukseen. Sähköntuottajille on tärkeää ennakoida markkinoita, jotta tuotanto voidaan ohjata tuottavimmalle markkinapaikalle. Sähkön vuorokausimarkkinoiden hintojen ennustaminen on hyvin tärkeä työkalu tämän tuotannon suunnittelussa ja sähkönkulutuksen ennustamisella on kriittinen rooli hintaa ennustettaessa.
Tässä diplomityössä esitellään sähkön markkinapaikkojen toimintaa sekä sähkönkulutuksen ja sen ennustamisen taustoja. Taustoituksen jälkeen käsitellään koneoppimisen ja neuroverkkojen käyttämistä sähkönkulutuksen ennustamisessa ja esitellään työssä rakennettu neuroverkkomalli, jolla voidaan ennustaa sähkönkulutusta lyhyellä aikavälillä.
Työssä tunnistettiin Suomessa sähkönkulutukseen eniten vaikuttavat tekijät, kuten viikonpäivävaihtelu, lämpötila sekä työssä tutkittiin sähkön hinnan muutoksen vaikutusta kulutukseen eri hintatasoilla. Kehitettyä mallia verrattiin myös muihin malleihin. Mallin havaittiin tuottavan laadukkaita ennusteita, ja sitä voidaan käyttää vuorokausimarkkinoiden hintaa ennustettaessa.