Demand forecasting model for load shifting strategy in building energy management system

Abstract

Among the sectors with the highest energy consumption are transport, industries, and buildings. Buildings are responsible for the third part of energy consumption and almost 40% of CO2 emissions worldwide. The search to improve the comfort of the occupants inside the buildings has brought a consequence that buildings are increasingly equipped with devices that help to improve the thermal comfort, visual comfort, and air quality inside the buildings, causing more energy demand regardless of the type of building making buildings an untapped efficiency potential.This doctoral thesis presents a model for forecasting electricity demand in buildings based on machine learning for load-shifting strategies, which can be implemented in building energy management systems. First, the state of the art of building energy management systems is analyzed, as well as the different management strategies used within these systems. Second, within the predictive control model management strategy, the forecast models of energy consumption in buildings are analyzed, as well as the methods, input variables, prediction horizon, and metrics. Finally, about the analysis carried out on the energy consumption forecasting models, a short-term energy consumption forecasting strategy based on machine learning is developed that allows forecasting the demand for the next 24 hours from any time of the previous day.

Dentro de los sectores de mayor consumo energético se encuentran: el transporte, las industrias y los edificios. Siendo los edificios responsables de una tercera parte del consumo de energía y casi un 40% de las emisiones de CO2 a nivel mundial. La búsqueda por mejorar el confort de los ocupantes dentro de los edificios ha traído como consecuencia que los edificios estén cada vez más equipados con dispositivos que ayudan a mejorar el confort térmico, el confort visual y la calidad de aire dentro de los edificios. Causando que cada vez más la demanda de energía de los edificios independientemente del tipo de edificio que sean se encuentre en crecimiento y haciendo que los edificios sean un potencial de eficiencia sin explotar. Esta tesis doctoral presenta un modelo para pronóstico de la demanda eléctrica en edificios basado en aprendizaje automático para estrategias de desplazamiento de cargas, el cual puede ser implementado en sistemas de gestión energética para edificios. En primer lugar, se analiza el estado del arte de los sistemas de gestión energética de edificios, así como las diferentes estrategias de gestión que se utilizan dentro de estos sistemas. En segundo lugar, dentro de la estrategia de gestión de modelo de control predictivo se analiza los modelos de pronóstico de consumo de energía en edificios, así como los métodos, variables de entrada, horizonte de predicción y métricas. Por último, en referencia al análisis realizado sobre los modelos de pronóstico de consumo de energía se desarrolla una estrategia de pronóstico de demanda a corto plazo basada en aprendizaje automático que permite pronosticar la demanda de las próximas 24 horas a partir de cualquier hora del día anterior.