search query: @instructor Saari, Juha / total: 6
reference: 2 / 6
Author: | Talvikoski, Lauri |
Title: | Short Term Load Forecasting with Analytic and Seasonal Time Series Methods |
Publication type: | Master's thesis |
Publication year: | 2012 |
Pages: | 86 Language: eng |
Department/School: | Matematiikan ja systeemianalyysin laitos |
Main subject: | Sovellettu matematiikka (Mat-2) |
Supervisor: | Salo, Ahti |
Instructor: | Mäntysaari, Juha |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto | Archive |
Keywords: | load forecasting double seasonal models ARIMA models exponential smoothing rhythm regression sähkön kulutuksen ennustaminen ARIMA mallit eksponentiaalinen tasoitus rytmiregressio kahden kauden mallit |
Abstract (eng): | Successful operation of an electrical utility requires good forecasts of the electricity demand. This thesis studies ways to create short term forecasts of the electricity demand based on historical data. The methods and models used in this thesis are generic enough so that not much needs to be known about the electricity load to be forecasted. The methods used in this work should be capable of forecasting electricity load of industrial operations or communal load. In this thesis Double Seasonal ARIMA models, Double Seasonal Holt-Winters method, and a Rhythm Regression model are used. In addition a new model was created by combining the Rhythm Regression model and the Double Seasonal ARIMA model. A software package capable of fitting these models and making forecasts was created. The models were used to generate forecasts of two data series for communal electricity load. Satisfactory performance was achieved with each of the models, but the combined Rhythm Regression and Double Seasonal ARIMA model generated the most accurate out-of-sample forecasts in terms of Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE) and maximum absolute error. |
Abstract (fin): | Sähkölaitoksen toiminnan kannalta on erittäin tärkeää luoda mahdollisimman tarkkoja ennusteita sähkön kulutuksesta. Tässä diplomityössä tutkitaan sähkön kulutuksen lyhyen aikavälin ennustamista kulutushistorian perusteella. Käytetyt mallit ja menetelmät on valittu siten, että ne olisivat mahdollisimman yleispäteviä riippumatta siitä, millaista kulutusta pyritään ennustamaan. Näillä menetelmillä pitäisi pystyä ennustamaan sekä teollisuuden sähkönkulutusta että yhdyskuntakulutusta. Tässä diplomityössä on käytetty kahden kauden ARIMA-malleja, kahden kauden Holt-Winters menetelmää sekä rytmiregressiomallia. Työssä on myös kehitetty uusi malli yhdistämällä rytmiregressiomalli ja kahden kauden ARIMA-malli. Osana työtä tehtiin myös ohjelmisto, joka kykenee sovittamaan nämä mallit datajoukkoon ja luomaan ennusteita. Käytettyjä malleja sovellettiin kahteen datajoukkoon, jotka kuvaavat sähkön yhdyskuntakulutusta. Kaikilla valituilla malleilla saatiin aikaan ennusteita, joita voidaan pitää riittävän tarkkoina hyödynnettäviksi. Paras tarkkuus saavutettiin yhdistetyllä rytmiregressio ja kahden kauden ARIMA-mallilla. Molemmilla datajoukoilla yhdistetyn mallin ennuste oli paras kaikkien työssä käytettyjen ennustevirhettä kuvaavien mittareiden valossa. |
ED: | 2012-11-26 |
INSSI record number: 45436
+ add basket
INSSI