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

10. Προσέγγιση
Decomposition
Temporal
Aggregation
SES
Seasonalization
Top Down
Bottom Up
Optimal
Final Forecasts

11. Αξιολόγηση Προβλέψεων
• MPE (Mean Percentage Error)
𝑠𝑀𝐴𝑃𝐸 =
1
𝑛
𝑖=1
𝑛
𝑌𝑖 − 𝐹𝑖
𝑌𝑖 + 𝐹𝑖
2
100(%)
• sMAPE (Symmetric Mean Absolute Percentage Error)
𝑀𝑃𝐸 =
1
𝑛
𝑖=1
𝑛
(𝑌𝑖 − 𝐹𝑖)100(%)

12. Bottom_up, Top_down,
Optimal
10.31
20.3
43.39
10.05
20.86
56.11
10.2
16.29
53.12
0
10
20
30
40
50
60
0 1 2
Δείκτης sMAPE για τους 7 ορίζοντες πρόβλεψης ανά
επίπεδο
bottom_up top_down optimal

13. Ακρίβεια Προβλέψεων (sMAPE)
32.69
40.61
44.98
19.28
29.23
26.66
0
5
10
15
20
25
30
35
40
45
50
BOTTOM-UP TOP-DOWN OPTIMAL
Δείκτης sMAPE για τους 7 ορίζοντες και τα 3
επίπεδα ανά μέθοδο
SES MAPA

14. Προκατάληψη Προβλέψεων
(MPE)
217.70
266.44
99.73
141.16
255.40
59.72
0.00
50.00
100.00
150.00
200.00
250.00
300.00
BOTTOM-UP TOP-DOWN OPTIMAL
Δείκτης MPE για τους 7 ορίζοντες και τα 3 επίπεδα
ανά μέθοδο
SES MAPA

15. MAPA/SES
0.000
0.100
0.200
0.300
0.400
0.500
0.600
0.700
0.800
0.900
24 48 72 96 120 144 168
Δείκτης MAPA/SES για τα 3 επίπεδα ανά ορίζοντα
πρόβλεψης

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

18. Σας ευχαριστώ πολύ
για την προσοχή σας!
Απορίες;
georgios.fakinos@gmail.com