Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Elektrisk lastprognostisering för byggnader
University of Borås, Faculty of Textiles, Engineering and Business.
2019 (Swedish)Independent thesis Basic level (university diploma), 180 HE creditsStudent thesisAlternative title
Electrical load prediction for buildings (English)
Abstract [sv]

Om världen ska kunna ställa om till förnyelsebara energikällor krävs det nya och bättre tekniklösningar. En liten del av lösningen på balanseringsproblematiken på elnätet som icke-reglerbara energikällor som sol- och vindkraft står för kan vara att sköta en del av balanseringen lokalt i byggnader med hjälp av batterilager. För att kunna styra den balanseringen på ett optimalt sätt behöver styrningen ha prognoser för hur stor den elektriska lasten i byggnaden kommer vara framöver. Syftet med denna studie har varit att utföra en elektrisk lastprognostisering för en byggnad över ett dygn.

Modellen som utförde elektrisk lastprognostisering för en byggnad har baserats på neurala nätverk. Istället för att ha ett neuralt nätverk som prognostiserar över hela dygnet har 24 olika neurala nätverk prognostiserat varsin timma. Varje neuralt nätverk har valts efter tester mellan ett flertal neurala nätverk med variationer i parametrar som har tagits fram med hjälp av en klusteralgoritm.

Resultatet visade att modellen som tagits fram i studien prognostiserade den elektriska lasten i en byggnad över ett dygn med en felmarginal enligt mean average percentage error på 5.67%. Det gick även att se fördelar med att dela upp prognostiseringen i mindre delar och testa olika parametrar för varje timma som skulle prognostiseras.

Med avseende på jämförelser med andra studier och att bostadshus är ett välkänt svårt prognostiseringsproblem bör resultatet anses som godkänt. Det mesta tyder på att prognostiseringsmodellen är tillräckligt bra för att kunna assistera en smart styrning av ett batteri i en byggnad med användbar information

Abstract [en]

If the world should be able to convert to renewable energy sources, new and better technical solutions is required. A small part of the solution to the balancing problem on the electricity grid, as non-controllable energy sources such as solar and wind power is highly responsible for, can be to handle part of the balancing locally in buildings using battery storage. In order to be able to control this balancing in the optimal way, the control system needs to have forecasts of how large the electric load in the building will be in the future. The aim of this study has been to carry out electrical load prediction for a building over one day.

The model that carried out electrical load forecasting for a building has been based on neural networks. Instead of having one neural network that predicts the whole day, 24 different neural networks have been forecasting each hour. Each neural network has been selected after testing between several neural networks with variations in parameters that have been selected using a cluster algorithm.

The result showed that the model developed in the study predicted the electric load in a building over one day with a mean average percentage error of 5.67%. It was also possible to see the advantages of dividing the prediction into smaller parts and testing different parameters for each hour that would be forecast.

With regard to comparisons with other studies and that residential buildings are a well-known difficult forecasting problem, the result should be considered as acceptable. Most indications show that the forecasting model is good enough to be able to assist a smart control of a battery in a building with useful information.

Place, publisher, year, edition, pages
2019.
Keywords [sv]
Lastprognostisering, byggnad, neurala nätverk, k-mean clustering
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:hb:diva-21322OAI: oai:DiVA.org:hb-21322DiVA, id: diva2:1334594
Supervisors
Examiners
Available from: 2019-08-01 Created: 2019-07-03 Last updated: 2019-08-01Bibliographically approved

Open Access in DiVA

fulltext(914 kB)5 downloads
File information
File name FULLTEXT01.pdfFile size 914 kBChecksum SHA-512
f877aa8cd052e1f80a9da3e4bf7dbbe233e88f032843f50e4951639d6644f00aed15071dab178b16641b0395a7791d19d91c24f26bb481128d9055fa888244b4
Type fulltextMimetype application/pdf

By organisation
Faculty of Textiles, Engineering and Business
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 5 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 10 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf