Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Παρουσίαση Διπλωματικής Φακίνος Γεώργιος
1. Πρόβλεψη Ηλεκτρικής
Κατανάλωσης σε Σύμπλεγμα
Εμπορικών Κτιρίων με Χρήση
Μεθόδων Χρονικής Συνάθροισης
Δεδομένων
Εθνικό Μετσόβιο Πολυτεχνείο
Μονάδα Προβλέψεων και Στρατηγικής
Συγγραφείς:
Γεώργιος Φακίνος
Ευάγγελος Σπηλιώτης
Βασίλειος Ασημακόπουλος
2. Πρόβλεψη Ενεργειακής Κατανάλωσης ενός
Συμπλέγματος Κτιρίων
Ποιο μοντέλο πρόβλεψης θα χρησιμοποιήσουμε;
Πως θα διατηρήσουμε την εποχικότητα που χαρακτηρίζει
τα δεδομένα;
Πως θα παραμείνουν οι προβλέψεις ακριβείς και σε
μακροπρόθεσμο ορίζοντα;
Προβλήματα προς Αντιμετώπιση
Συνολικά
Ανά κτίριο
Ανά ενεργειακή χρήση
3. Hierarchical Aggregation
• Γιατί;
– Συμβάλλει στην συμφιλίωση των προβλέψεων
– (Πιθανόν) βελτιώνει την απόδοση των προβλέψεων
• Πως;
– Top Down
– Bottom Up
– Optimal (2011)
4. Temporal Aggregation
• Γιατί;
– Βελτιώνει την ακρίβεια των προβλέψεων
– Μειώνει την προκατάληψη των προβλέψεων
• Πως;
– MAPA (Multiple Aggregation Prediction Algorithm)
Χρησιμοποιεί διαφορετικά επίπεδα συνάθροισης δεδομένων
Χρησιμοποιεί κατάλληλη μέθοδο πρόβλεψης για κάθε επίπεδο
Συνδυάζει τα ποιοτικά χαρακτηριστικά (τάση, εποχικότητα,
επίπεδο) ώστε να βελτιώνει την απόδοση τόσο σε βραχυπρόθεσμο
όσο και μακροπρόθεσμο ορίζοντα
5. Ερώτημα
Μπορεί ο συνδυασμός των hierarchical και temporal
aggregation να συμβάλλει στην βελτίωση της
απόδοσης και της ακρίβειας των προβλέψεων;
6. Η Ιεραρχία των Δεδομένων
Total
Sum1 Sum2 Sum3 Sum4 Sum5
Ac
Ups
Lights
Ac
Ups
Lights
Ac
Ups
Lights
Ac
Ups
Lights
Ac
Ups
Lights
7. Χαρακτηριστικά Δεδομένων
• Ωριαία Δεδομένα Ενεργειακής Κατανάλωσης (kWh)
• Συνολικής Διάρκειας 9,5 Εβδομάδων (1612 Μετρήσεις)
• Πηγή των Δεδομένων η ίδια η Τράπεζα
8. Εποχικότητα
Το πλήθος των δεδομένων που έχουμε στην διάθεση
μας είναι 1612 ωριαία δεδομένα και μετά από δοκιμές
που έγιναν καθορίστηκε ως συχνότητα των δεδομένων
μας η f=168, δηλαδή ωριαία δεδομένα εβδομαδιαίας
εποχικότητας.
9. Μοντέλο Πρόβλεψης
SES (Simple Exponential Smoothing)
– Γρήγορα μεταβαλλόμενα δεδομένα (Fast moving
data)
– Δεν χαρακτηρίζονται από τάση
– Δεν επηρεάζεται η εποχικότητα
Αφού θα χρησιμοποιήσουμε ως μέθοδο πρόβλεψης την SES
στον αλγόριθμο MAPA είναι λογικό να την χρησιμοποιήσουμε
και ως benchmark για να είναι πιο κατανοητή η σύγκριση
μεταξύ τους
16. Συμπεράσματα
• Στο επίπεδο k=0 είναι καλύτερη η top_down, στο k=1
είναι καλύτερη η optimal και στο k=2 η bottom_up
• Μεγάλη βελτίωση τόσο στην ακρίβεια όσο και στην
προκατάληψη των προβλέψεων με την χρήση του
αλγορίθμου MAPA σε συνδυασμό με τις top down,
bottom up και optimal
• Πολύ καλή ακρίβεια και σε μακροπρόθεσμες προβλέψεις
καθώς ο αλγόριθμος εξετάζει τα ποιοτικά χαρακτηριστικά
της χρονοσειράς
17. Συνέχεια…
• Γενίκευση της μεθοδολογίας, επαληθεύοντας τα
αποτελέσματα με άλλους τρόπους temporal aggregation
• Αξιολόγηση της μεθοδολογίας και σε μικρότερους
ορίζοντες πρόβλεψης (real time συστήματα-alert)
• Αλλαγή στους συντελεστές βαρύτητας που χρησιμοποιεί
ο αλγόριθμος ανάλογα με τον ορίζοντα πρόβλεψης