Predicció de la demanda elèctrica a l'EEBE

TREBALL FI DE GRAU Grau en Enginyeria Elèctrica PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE Memòria i Annexos Autor: Joan Manuel Márquez Fernández Director: Roberto Villafáfila Robles Convocatòria: Gener 2021 PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 1 Pág. 2 Memoria 2 Resum Aquest projecte consisteix en el desenvolupament d’un model predictiu de la demanda d’energia elèctrica del campus EEBE, mitjançant eines d’intel·ligència artificial i emprant un històric de dades registrades pels mateixos comptadors d’energia elèctrica de l’escola. Com a punt de partida, es realitza una exposició del marc teòric que enquadra el treball, sent els temes principals el monitoratge del consum elèctric i els mitjans per realitzar-lo, l’anàlisi de dades per l’optimització de la gestió energètica, i la implementació d’eines d’intel·ligència artificial en la predicció de la demanda elèctrica. Posteriorment, es passa a l’anàlisi del cas concret, la demanda elèctrica del campus EEBE, pel qual es fa una primera introducció a les dades amb les quals es treballarà, informant del tractament previ necessari i les primeres conclusions que se n’extreuen en referència al seu comportament. I a continuació, s’exposa la metodologia emprada per poder obtenir els models que permetin assolir l’objectiu cercat. Aquests models d’intel·ligència artificial s’obtenen mitjançant les llibreries de SciKit Learn, corresponents al llenguatge Python, i es treballa en l’entorn conegut com Jupyter Notebook. Per finalitzar el projecte, es presenten les conclusions extretes i els models que permeten obtenir una millor aproximació a la variable incògnita, la demanda d’energia elèctrica. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 3 Resumen Este proyecto consiste en el desarrollo de un modelo de predicción de la demanda de energia eléctrica del campus EEBE, mediante herramientas de inteligencia artificial y un histórico de los datos registrados por los contadores de consumo eléctrico del centro. Inicialmente, se realiza una exposición del marco teórico que enmarca el trabajo, siendo los temas principales la monitorización del consumo eléctrico y los medios para su realización, el análisis de datos para la optimización de la gestión energética, y la implementación de la inteligencia artificial en la predicción de la demanda eléctrica. Tras esto, se pasa al análisis del caso particular, la demanda eléctrica del campus EEBE, para el que se realiza una primera introducción a los datos sobre los que se trabajara, informando del tratamiento previo necesario y las primeras conclusiones que se extraen respecto a su comportamiento. A continuación, se expone la metodologia usada para obtener los modelos que permiten alcanzar el objetivo principal. Los algoritmos de inteligencia artificial se obtienen de las librerias de SciKit Learn, correspondientes al lenguaje Python, y se trabaja en el entorno conocido como Jupyter Notebook. Para finalizar el proyecto, se presentan las conclusiones obtenidas y los modelos que permiten conseguir una mejor aproximación a la variable incógnita, la demanda de energia eléctrica. Pág. 4 Memoria 4 Abstract This projects consists on the development of a model capable of predicting the electricity demand of the EEBE campus, using artificial intelligence tools and a history of the data recorded by the meters of the center. Initially, an exposition of the theoretical framework that frames the work is made, being its main topics the monitoring of electricity consumption and the means for its realization, the data analysis for the optimitzation of the energy management, and the implementation of artificial intelligence in predicting electricity demand. After this, we proceed to the analysis of the particular case, the electrical demand of the EEBE campus, for which a first introduction to the available data is made, informing about its previous treatment and the first conclusions drawn regarding its behaviour. Next, the methodology used to obtain the main objective is exposed. The artificial intelligence algorithms are obtained from the SciKit Learn libraries, which belong to Python, and the work is developed in the environment known as Jupyter Notebook. To finalize the project, the conclusions obtained and the models that allow a better approximation to the unknown variable, the electrical energy demand, are presented. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 5 Pág. 6 Memoria 6 Agraïments Voldria expressar els meus agraïments a Roberto Villafáfila, tutor d’aquest projecte, qui no sols ha facilitat en gran mesura l’accés a la informació necessària i el traçat d’un camí de treball correcte, sinó que des d’un principi va confiar en aquest treball. També agrair a la meva família el seu suport al llarg d’aquesta tesi i de tot el grau, que tot i la distància, han estat al meu costat en tot moment. Finalment, gràcies a tots els companys i amics amb qui he compartit tantes hores, a classe i a la biblioteca. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 7 Índex RESUM _____________________________________________________________ 2 RESUMEN __________________________________________________________ 3 ABSTRACT __________________________________________________________ 4 AGRAÏMENTS _______________________________________________________ 6 1. PREFACI _______________________________________________________ 9 1.1. Motivació ................................................................................................................. 9 1.2. Estudis previs............................................................................................................ 9 2. INTRODUCCIÓ _________________________________________________ 11 2.1. Objectius del treball ............................................................................................... 11 2.2. Abast del treball ..................................................................................................... 11 3. ESTAT DE L’ART ________________________________________________ 13 3.1. Monitoratge de dades energètiques ..................................................................... 13 3.1.1. SIRENA UPC ........................................................................................................... 13 3.2. Predicció mitjançant intel·ligència artificial ........................................................... 14 3.2.1. Predicció realitzada per REE ................................................................................. 15 3.2.2. Models d’aprenentatge supervisat ...................................................................... 16 3.2.3. Models d’aprenentatge no supervisat ................................................................. 17 3.2.4. Funcionament dels models triats per l’estudi...................................................... 17 4. CAS D’ESTUDI __________________________________________________ 19 4.1. Condicions i dades de partida ................................................................................ 19 4.2. Tractament inicial de la informació ....................................................................... 19 4.3. Aproximació a l’anàlisi de les dades ...................................................................... 23 4.3.1. Anàlisi de les primeres gràfiques extretes ........................................................... 23 4.3.2. Conclusions del primer anàlisi .............................................................................. 28 5. PREDICCIÓ MITJANÇANT INTEL·LIGÈNCIA ARTIFICIAL __________________ 30 5.1. Eines emprades ...................................................................................................... 30 5.1.1. Pandas................................................................................................................... 30 5.1.2. Matplotlib ............................................................................................................. 30 5.1.3. Scikit Learn ............................................................................................................ 30 5.2. Càrrega de dades ................................................................................................... 30 Memòria 14 - Reduir un 20% el consum d’energia primària de la UE - Reduir un 20% les emissions de gasos d’efecte hivernacle respecte 1990 - Elevar la contribució de les energies renovables al 20% de consum Els principis d’aquest pla estan basats en els propis de la UPC, i són exposats en l’acord núm. 165/2015 del Consell de Govern. Tots ells, condueixen al compliment dels dos objectius principals d’aquest pla d’actuació: - Assolir una universitat de baixa intensitat energètica i baixa emissió de carboni, sostenible a mitjà i llarg termini. - Experimentar la innovació als campus, per potenciar el rol de la universitat com a recurs de coneixement i aprenentatge vers una societat sostenible energèticament. Figura 3-1.- Representació del consum energètic del conjunts de campus de la UPC des del 2007 fins al 2019. Font: Informe Sirena 2019 [28] De forma anual, es publica l’informe SIRENA de la UPC, on es recullen totes les fites aconseguides de cara al compliment del pla esmentat, i totes elles prenent com a base les dades obtingudes mitjançant el software Sirena. 3.2. Predicció mitjançant intel·ligència artificial Tal com s’ha exposat, l'eficiència energètica és una temàtica cada dia més important en la indústria elèctrica. Un dels mètodes seguits per l’optimització de l’ús dels recursos energètics és la predicció d’aquesta demanda elèctrica mitjançant eines d’aprenentatge computacional o intel·ligència artificial. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 15 Aquest camp de la informàtica ha resultat útil no solament a nivell tecnològic, sinó en molts altres camps de la vida quotidiana, fins al punt d’arribar a àmbits com la política [13] o la publicitat [31]. És per tant, una eina molt versàtil i que pot aportar en gairebé qualsevol camp d’estudi. Pel que fa al camp de l’enginyeria elèctrica, l’operador del sistema elèctric ibèric, REE, fa ús d’aquests mètodes per garantir l’equilibri entre producció i consum elèctrics en el sistema esmentat. 3.2.1. Predicció realitzada per REE Per realitzar aquesta predicció, REE compta amb un model pel mercat diari, orientat a la predicció dels talls de subministrament de la xarxa, i vint-i-quatre models horaris pel mercat intradiari, un per cada hora, tots amb l’objectiu de realitzar prediccions que permetin mantenir l’equilibri entre generació i demanda [2]. Posteriorment , l’operador del mercat OMIE, utilitzarà aquestes prediccions per la gestió dels mercats elèctrics diari i intradiari esmentats. Tots els models segueixen una mateixa estructura bàsica, presentada en l’equació 3.1: 𝑙𝑛𝐶𝑡= 𝑝𝑡+ 𝑠𝑡+ 𝐶𝑆𝐷𝑡+ 𝐶𝑊𝐸𝐴𝑡+ 𝑈𝑡 (Eq. 3.1.) On:  Ct és el consum elèctric del dia t  Pt és la tendència de la càrrega  St és la influència de l’estacionalitat des d’una perspectiva setmanal  CSDt és la contribució dels dies especials, com puguin ser els festius  CWEAt és la resta de la contribució dels factors meteorològics, fet lligat amb la variable St  Ut representa les pertorbacions del sistema que puguin ocórrer en el curt termini Juntament amb una àmplia disposició de mitjans, REE gaudeix d’un avantatge tècnic respecte altres entitats que realitzin prediccions d’aquest tipus, i és que REE treballa sobre la corba de demanda agregada del mercat espanyol. Això comporta que el comportament d’un dia per l’altre, que és el termini en què REE realitza les prediccions, no variarà excessivament, i per tant, es facilita la predicció. Per realitzar les prediccions que s’esmenten, hi ha una gran quantitat de models, que es divideixen en dues grans famílies, models d’aprenentatge supervisat i no supervisat. Memòria 16 3.2.2. Models d’aprenentatge supervisat Els models d’aprenentatge supervisat funcionen amb dades d’entrada i sortida conegudes per tal de desenvolupar models capaços de realitzar prediccions. És per això, que s’utilitza quan es tenen dades de sortida del model reals. Dintre d’aquest tipus d’aprenentatge, es poden trobar dos tipus de tècniques que s’aplicaran en funció del cas a analitzar, i són la classificació i la regressió. [11] 3.2.2.1. Classificació Els models de classificació s’empren quan les variables de sortida són qualitatives. Per ficar un exemple, es podria desenvolupar un model que, tenint en compte el fenotip d’un bolet, pugui classificar-lo com a verinós o comestible, basant-se en un registre d’altres bolets també classificats segons les seves característiques físiques, i dels quals coneixem si són verinosos o no. Extrapolant des de l’exemple exposat, es pot veure com funcionen realment aquest tipus de models, que seria analitzant el que es coneix com a training set, corresponent a la part de la base de dades que empra per entrenar-se, per així les característiques que li permetran classificar en un grup o altre el resultat. Amb la resta de la base de dades, es realitzarà la validació del model, d’aquí que es conegui com a test set. Alguns dels models de classificació més típics són les màquines de vectors de suport, els arbres de decisió, els k-veïns més propers i els classificadors bayessians. Cap d’ells serà aplicable al cas d’estudi present, ja que el que es pretén és predir un valor, no classificar-lo. 3.2.2.2. Regressió Els models de regressió permeten predir variables de sortida quantitatives. Un exemple seria el d’aquest cas d’estudi, la predicció del valor de la demanda elèctrica del campus EEBE, en funció de tota una sèrie de variables d’entrada, que més endavant en la tesi es comentaran. El funcionament consisteix en l’obtenció d’una equació que relaciona les variables d’entrada amb la variable de sortida, que serà la que el model predirà. Igual que en la classificació, s’utilitza una part de la base de dades per, en aquest cas, obtenir l’equació objectiu, i una altra part per avaluar el model obtingut. Alguns dels models de regressió més comuns són els lineals, els no lineals i els arbres de decisió (que com podem veure, s’apliquen per models de classificació també). PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 17 3.2.3. Models d’aprenentatge no supervisat Els models d’aprenentatge no supervisat funcionen buscant la relació que hi ha entre unes variables d’entrada i sortida que a priori és desconeguda. Com a exemple, es trobaria la segmentació de clients potencials, per així encarar noves estratègies de màrqueting [7]. Hi hauria moltes variables que podrien afectar el model, però no es sap en quina mesura ho farien. Els algoritmes més coneguts d’aprenentatge no supervisat són els de clustering, que consisteixen en la creació de grups basats en determinats patrons o tendències similars en les dades. Per crear aquests grups, es segueixen criteris de distància. Alguns dels models més comuns dintre del clustering són el k-means, el clustering jeràrquic, el DBScan clustering o el Principal Component Analysis. [8] 3.2.4. Funcionament dels models triats per l’estudi Per aquest cas, s’han triat una sèrie de mètodes de regressió per veure com s’adaptaven a la resolució del problema. La tria dels models s’ha realitzat de forma arbitrària. En cas que cap dels seleccionats inicialment presenti resultats satisfactoris, es realitzaran proves amb altres regressors. 3.2.4.1. Regressió lineal Aquesta tècnica calcula els coeficients que acompanyen les variables independents en l’equació 3.2, per així aconseguir un model lineal que permeti caracteritzar el comportament de les variables i la relació que guarden. 𝑌 = 𝑏0+ 𝑏1· 𝑥1+ 𝑏2· 𝑥2+ ⋯ + 𝑏𝑛· 𝑥𝑛+ 𝑒𝑟𝑟𝑜𝑟 (Eq. 3.2.) On:  Y seria la variable incògnita, en el nostre cas, el consum d’energia elèctrica  B0 és el terme constant  Bn són els coeficients  Xn són les variables independents, en el nostre cas, hora, dia, qualitat de la mesura... El principi de funcionament seria el mètode dels mínims quadrats, el qual el model empra per millorar. Memòria 18 3.2.4.2. K Nearest Neighbors Aquest algoritme es basa en la cerca de punts de dades similars apresos en l’etapa d’entrenament, i a partir d’ells, realitza la predicció. La “k” serà el nombre de punts “veïns” que tindrà en compte per realitzar aquesta predicció. [20] 3.2.4.3. Decision Trees Els models de Decision Trees creen un arbre de decisions a partir de regles binàries, de si o no, que estableixen tenint en compte les variables d’entrada més significatives. Seran després les variables d’entrada les que marquin quina rama es segueix de l’arbre i així quin és el resultat final. [16] 3.2.4.4. Random Forests Aquest algoritme pren com a base els Decision Trees, amb la diferència que genera un conjunt d’arbres de decisió individuals, que després es tindran en compte simultàniament per obtenir la predicció desitjada. 3.2.4.5. Adaboost Pertanyent als grups de tècniques de Boosting, l’algoritme Adaboost (Adaptive Boosting) crea arbres de decisió, que generen una sèrie de prediccions les quals classifica com a correctes o incorrectes (tot dintre del set d’entrenament), i dóna més pes a les incorrectes, per així crear un nou arbre millorat respecte a l’anterior. [14] 3.2.4.6. Gradient Boosting Aquest mètode també pertany al grup dels Boosting com el cas anterior. La diferència principal es troba en el fet que, en el cas anterior, s’avaluava cada error independentment assignant-li un pes, però, en aquest cas, es cerca minimitzar el gradient d’una funció error que avalua tots els punts erronis alhora. [19] 3.2.4.7. SVR Els algoritmes coneguts com a Support Vector Machines troben els hiperplans que millor permeten separar les dades en grups, maximitzant el marge entre elles, és a dir, creant l’espai més gran possible per cada grup. En el cas del SVR, sigles corresponents a Support Vector Regressor, apliquen aquest mètode a models d’anàlisi per regressió. Tenint en compte que el punt que es desitja predir podria generar-se dintre d’un marge infinit de punts (ja que els SVM sol separen grups de dades), és essencial aplicar un valor epsilon que genera un nou marge dintre del qual es considera que es trobarà aquest valor que es cerca, i així es minimitza l’error al tolerat. [10] PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 19 4. Cas d’estudi 4.1. Condicions i dades de partida Les dades de consum energètic utilitzades pel desenvolupament del model s’obtenen del comptador principal del campus EEBE, concretament, del registre que realitza aquest equip en l’any 2019. El software emprat pel monitoratge del comptador és la web “Sirena UPC”, tal com s’ha comentat anteriorment. Per obtenir les dades que s’han utilitzat en el primer anàlisi, previ a la programació, s’han considerat les dades enregistrades del comptador principal exclusivament, per falta de disponibilitat de les dades del comptador de socors en el moment de realització de la feina. 4.2. Tractament inicial de la informació Previ a la introducció de les dades en l’entorn de programació, s’ha conduït un estudi per tenir una primera idea de com és el comportament de les dades i, així, conèixer les possibles causes d’aquesta conducta, que posteriorment es traduiran en les variables a tindre en compte per desenvolupar el model de predicció. Les dades descarregades de la web Sirena són el registre horari d’energia activa (pel període de 2019) i el registre de potència activa quart-horària (corresponent a la mitjana calculada del registre de maxímetre) del mateix període. En el primer registre esmentat, les variables presents són:  Energia consumida: expressada en kWh, és una variable quantitativa corresponent al consum energètic que s’ha realitzat en una determinada hora. És el principal objecte d’estudi, ja que és la variable a predir.  Hora: variable que expressa quina és l’hora per un determinat valor d’energia registrat. Aquesta variable pren sempre valors entre 0 i 24 (sent aquest darrer redundant amb el 0, fet que es comentarà més endavant)  Dia: variable que indica a quin dia de l’any correspon el registre. Aquesta variable comprèn des de l’1 de gener fins al 31 de desembre.  Qualitat: variable que indica com s’ha obtingut el registre, si s’ha extret directament de comptador o bé s’ha obtingut a partir de la corba de potència quart-horària. També hi cap la possibilitat que aquesta variable sigui “no disponible”, fet que indica que es desconeix la naturalesa del registre. Memòria 20 La taula 4.1 correspon al consum horari registrat en les primeres dotze hores del dia 1 de gener de 2019. Taula 4-1.- Consum energètic horari registrat l'1 de Gener de 2019 de les 00.00h fins a les 12.00h. Font pròpia. Dia 01/01/2019 Hora 0 Consum (kWh) 192 Qualitat Real Hora 1 Consum (kWh) 193 Qualitat Real Hora 2 Consum (kWh) 193 Qualitat Real Hora 3 Consum (kWh) 192 Qualitat Real Hora 4 Consum (kWh) 197 Qualitat Real Hora 5 Consum (kWh) 198 Qualitat Real Hora 6 Consum (kWh) 209 Qualitat Real Hora 7 Consum (kWh) 234 Qualitat No disponible Hora 8 Consum (kWh) 233 Qualitat Real Hora 9 Consum (kWh) 231 Qualitat Real Hora 10 Consum (kWh) 230 Qualitat Real Hora 11 Consum (kWh) 223 Qualitat Real Hora 12 Consum (kWh) 205 Qualitat Real Pel que fa al registre quart-horari per maxímetre de potència activa, les variables que hi intervenen són:  Energia: variable quantitativa corresponent al registre realitzat en un determinat quart d’hora. Correspon a la integració del valor registrat per maxímetre en el quart d’hora, per així obtenir l’energia mitjana consumida.  Hora: igual que en el cas anterior, és una variable que indica l’hora en què es realitza el registre analitzat. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 21  Quart d’hora: variable que indica el quart d’hora al que correspon el registre. Els valors que pren són 1, 2, 3 o 4. Ficant com a exemple les 12.00 h, el quart 1 seria de 12.00 h a 12.15 h, el quart 2 de 12.15 h a 12.30 h, el quart 3 de 12.30 h a 12.45 h i el quart 4 de 12.45 h a 13.00 h.  Dia: igual que en el cas anterior, variable que indica a quin dia de l’any correspon el registre.  Qualitat: com en el cas anterior, variable qualitativa que indica si el registre s’ha extret directament de comptador o bé s’ha obtingut de la corba d’energia horària. La taula 4.2 correspon al consum quart-horari registrat en el dia 1 de gener de 2019, des de les 06.00 h fins a les 11.00 h. Amb aquests dos registres, fusionats en un mateix arxiu, s’ha representat la mitjana diària de cada mes, que servirà com a primer estudi de les dades i el seu comportament, tot desenvolupat en l’apartat 4.3.1, a continuació. Com a mètode per a fer una primera validació de les dades, s’ha realitzat un excel on s’ha comparat la mitjana horària resultant dels registres quart-horaris del maxímetre amb el registre horari. El fet que concordin implica que els registres realment tenen una correlació. En aquest mateix excel, s’ha realitzat la representació de la mitjana del consum elèctric diari de cada mes del 2019, obtenint les gràfiques que s’exposen en l’apartat posterior, on s’analitzaran per així extreure’n les primeres conclusions, i en l’annex B. Memòria 22 Taula 4-2.- Registre del consum quart-horari del dia 1 de gener de 2019 de les 06.00h fins a les 11.00 h. Font pròpia. Dia Hores Quart Energia (kWh) Qualitat 01/01/2019 6 1 200.000 Real 01/01/2019 6 2 212.000 Real 01/01/2019 6 3 212.000 Real 01/01/2019 6 4 212.000 Real 01/01/2019 7 1 228.000 Real 01/01/2019 7 2 232.000 Real 01/01/2019 7 3 236.000 Real 01/01/2019 7 4 240.000 Real 01/01/2019 8 1 236.000 Real 01/01/2019 8 2 236.000 Real 01/01/2019 8 3 232.000 Real 01/01/2019 8 4 228.000 Real 01/01/2019 9 1 232.000 Real 01/01/2019 9 2 232.000 Real 01/01/2019 9 3 232.000 Real 01/01/2019 9 4 228.000 Real 01/01/2019 10 1 232.000 Real 01/01/2019 10 2 228.000 Real 01/01/2019 10 3 232.000 Real 01/01/2019 10 4 228.000 Real PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 23 4.3. Aproximació a l’anàlisi de les dades Per entendre les dades que es tracten abans d’introduir-les en els algoritmes de predicció, s’ha realitzat una representació de la mitjana del consum diari de cada mes. El procediment seguit per a cada mes és l’exposat a l’esquema 4.1. Per obtenir el càlcul de la mitjana del consum diari, s’ha utilitzat la funció “mitjana” d’excel sobre el registre horari. S’ha realitzat així perquè, tenint en compte que la mitjana dels quatre quarts registrats en la corba quart-horària es correspon amb el registre horari, no tindria sentit fer-ho sobre el registre quart-horari, sol suposaria una sobrecarrega de dades per a l’eina de càlcul. 4.3.1. Anàlisi de les primeres gràfiques extretes Abans d’analitzar les gràfiques, s’exposen les consideracions prèvies que s’havien realitzat, per veure si realment es compleixen o no:  Els dies no lectius, no laborals i caps de setmana, el consum hauria de disminuir notablement.  Els dies lectius/laborals, haurien de mantenir certa similitud en el consum, sense grans canvis. Com a molt, s’esperaria que hi hagi lleugers increments del consum en els mesos de clima més extrem, sigui fred o calor.  El consum es concentrarà en l’horari de, aproximadament, 06.00 h del matí fins a 20.00 h de la tarda. Fusió dels registres d’energia (corba horària) i del registre de potència per maxímetre (quart-horària) en excel Comprovació de la correlació entre registres Càlcul del promig diari per a cada mes Representació de les 12 corbes mensuals obtingudes Figura 4-1.- Esquema del mètode per la obtenció de les corbes d'energia diaria de cada mes. Font pròpia. Memòria 30 5. Predicció mitjançant intel·ligència artificial 5.1. Eines emprades Com s’ha comentat anteriorment en la tesi, la programació es realitzarà en llenguatge Python i en l’entorn conegut com Jupyter Notebook. S’ha optat per aquestes opcions perquè es corresponen amb les treballades en altres assignatures del grau, alhora que són més senzilles a nivell d’interpretació per usuaris no especialitzats en programació, tot i mantenir el potencial que altres llenguatges més complexos tenen. Es carregaran els mòduls csv i sys, però s’utilitzaran per a la càrrega inicial de les dades i per la realització de proves i comprovacions sobre els dataframes, respectivament. Alhora, s’empraran les biblioteques Pandas, Matplotlib i Scikit Learn. A continuació, es fa una breu explicació de la utilitat de cadascuna. 5.1.1. Pandas Pandas és una biblioteca orientada a la manipulació de bases de dades, construïda sobre el paquet NumPy. La utilitat principal és la de permetre treballar sobre taules conegudes com a DataFrames, que faciliten la classificació de les dades carregades en el programa, en el nostre cas, l’arxiu de la corba de potència de maxímetre quart-horària. [17] 5.1.2. Matplotlib Aquesta biblioteca s’empra per realitzar representacions de les dades que en facilitin l’anàlisi. Permet crear diferents tipus de gràfiques, i en el cas d’estudi, permet visualitzar la distribució de les dades d’entrenament, les de test, i més opcions que més endavant en la tesi s’exposaran. [12] 5.1.3. Scikit Learn Scikit Learn és la biblioteca que conté els algoritmes d’aprenentatge computacional que es poden aplicar als conjunts de dades per obtenir-ne models predictius. Està construïda sobre NumPy, SciPy i Matplotlib. Aquesta biblioteca és la que permetrà aplicar els diferents models predictius sobre la base de dades present. [21] 5.2. Càrrega de dades Un cop s’ha carregat l’entorn Jupyter Notebook, s’han d’introduir les dades a tractar. Per a fer-ho, es passa l’arxiu corresponent al registre horari d’energia activa al format csv (comma separated values), per permetre’n la comprensió per part de Python i la biblioteca Pandas. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 31 5.3. Processament de les dades 5.3.1. Representació gràfica de la mostra inicial Mitjançant les eines que les llibreries esmentades ens faciliten, s’han extret algunes gràfiques per analitzar el conjunt de dades a treballar, més enllà de les ja exposades a l’apartat 4.3.1 d’aquest treball. En la Figura 5.1., on s’observa la corba d’energia horària de tot l’any, s’hi poden diferenciar clarament els períodes vacacionals de Setmana Santa, Agost i Nadal. En la gràfica, s’observa com la corba de consum es manté en valors similars al llarg de l’any, davallant en els períodes d’aproximació a l’inici i fi de les vacances d’Agost. Amb aquest primer anàlisi general, es procedeix a analitzar la figura 5.2. En la figura 5.2. es representa l’histograma corresponent al registre d’energia horària activa, graficant així els diferents intervals de dades i la seva freqüència d’aparició en el conjunt de dades. Es pot veure com la majoria del registre són valors entre 200 i 270 kWh, corresponents principalment a les hores de tancament del campus, els caps de setmana i els dies no laborables, i alhora, també destaca el rang entre 550 i 620 kWh, on encaixarien les dades del consum en les hores de màxima activitat docent i de recerca al campus, que al ser un registre més restringit, presenta una freqüència molt inferior a la del primer esmentat. Aquesta gràfica ens permet intuir que el model tendirà a agrupar les dades en un d’aquests dos conjunts. La resta de barres es corresponen amb hores de transició, com puguin ser el tancament i obertura de l’escola, o valors donat per condicions poc comunes, que es donen especialment en períodes de baixa presència al campus. Memòria 32 Figura 5-1.- Representació de la corba d'energia horària de tot el conjunt de dades. Font pròpia. Energia activa horària (kWh) Índex del registre PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 33 Figura 5-2.- Histograma de la corba d'energia horària de tot el conjunt de dades. En l'eix d'abscises, valor d'energia registrat en kWh, i en l'eix d'ordenades, número de vegades que es registra el valor. Font pròpia. Nombre de vegades que es registra el valor d’energia Energia activa horària (kWh) Memòria 34 Figura 5-3.- Diagrama de caixa de la distribució de les dades d’energia horària en kWh. Font pròpia. Taula 5-1.- Quartils del diagrama de caixa de la figura 4.3. Font pròpia. Quartil Valor d’energia (kWh) Límit inferior 0 Q1 (=25) 226 Q2 (=50) 249 Q3 (=75) 529 Límit superior 642 Les dades representades en el diagrama de caixa de la figura 5.3, reafirmen el que s’ha exposat en l’anàlisi de la figura 5.2. Observem com la mediana de les dades és molt propera al valor del primer quartil, 249 kWh i 226 kWh respectivament, fet que indica que la meitat dels registres es troba en el Registre d’energia horària activa (kWh) Energia PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 35 rang entre 0 i 249 kWh, rang molt més petit que el que compren la resta de dades, que seria entre 249 i 642 kWh. 5.3.2. Tractament de les dades Aquesta part del procés consisteix en la neteja de les dades presents, per evitar problemes derivats d’errors en el registre, com puguin ser hores duplicades, files buides, registres erronis, etc. En l’annex A, on s’adjunta tot el codi, es pot observar quins han sigut els passos concrets seguits pel preprocessament de les dades. De forma sintetitzada, els errors solucionats són els següents: - En la base de dades en format csv, hi apareixien dues files buides entre un dia i un altre. Aquestes files s’han eliminat. - En el registre, hi apareixen les 00.00 h i les 24.00 h , redundants. S’ha optat per eliminar el registre de l’hora 24, ja que sempre era buit, al contrari de l’hora 0, que sí que aporta dades d’energia. Per facilitar els càlculs a realitzar per la implementació de variables, aquest pas s’ha dut a terme just abans de la normalització de les dades, quedant així intercalat entre les dues passes esmentades tot el que seria l’addició de noves variables per classificar cada registre. 5.3.3. Variables pel desenvolupament del model Alhora que es realitza una neteja de dades, també s’han afegit variables que permeten classificar cada registre en funció de les observacions que s’han realitzat respecte al comportament de les dades. Les variables afegides són: - Dia: corresponent al número de dia del qual es tracta. Per exemple, l’1 de gener seria el dia 1, l’1 de febrer és el dia 32, etc. Aquesta variable resulta útil per aplicar les dues següents, i podria ser interessant de cara a la predicció del consum d’altres anys, realitzant una ampliació de la base de dades que utilitza l’algoritme regressor. Aquesta variable s’ha afegit tot just després d’eliminar les dues files buides que constaven entre cada registre diari, i tenint en compte el fet que hi ha un registre redundant (hora 0 i 24 d’un mateix dia). - Cap de setmana: variable que classifica un determinat registre en funció de si el dia al qual pertany és cap de setmana, cas en el qual prendrà el valor 1, o bé si és un dia entre setmana, cas en el qual prendrà valor 0. Per aplicar-lo, es fa ús de la variable “Dia”, tal com s’exposava abans. Per aplicar aquesta variable, es té en compte que el dia 1 de gener de 2019 era dimarts, per tant, el primer dissabte i diumenge són 5 i 6 de gener respectivament. En conseqüència, l’índex del proper dissabte serà 12 (fruit de sumar set dies al primer dissabte dia 5), el següent Memòria 36 serà el dia 19... Fet que porta a establir que, la classificació en caps de setmana, es pot realitzar segons les equacions 5.1 i 5.2. Í𝑛𝑑𝑒𝑥𝑑𝑖𝑠𝑠 = 5 + 7 · 𝑖 ; ∀ 𝑖 ∈ [0,53) (Eq. 5.1.) On:  Índexdisc : Número de dia de l’any del dissabte en qüestió. Per exemple, el primer dissabte de 2019, dia 5 de gener, tenia índex 5.  i : valor que incrementa per poder classificar els dissabtes de cada setmana. Per la setmana 1, serà 0, per la setmana 2 serà 1... fins a 52, ja que la setmana 53 de l’any acaba en dimarts, i si no, sortiria de rang. Í𝑛𝑑𝑒𝑥𝑑𝑖𝑢𝑚 = 6 + 7 · 𝑖 ; ∀ 𝑖 ∈ [0,53) (Eq. 5.2.) On:  Índexdisc : Número de dia de l’any del diumenge en qüestió. Per exemple, el primer diumenge de 2019, dia 6 de gener, tenia índex 6.  i : valor que incrementa per poder classificar els diumenges de cada setmana. Igual que en el cas anterior, per la setmana 1, serà 0, per la setmana 2 serà 1... fins a 52, ja que la setmana 53 de l’any acaba en dimarts, i si no, sortiria de rang. - Festiu: variable que classifica un determinat registre segons si el dia al qual pertany és festiu, cas en el qual prendrà valor 1, o bé si és laborable, cas en el qual prendrà valor 0. També es fa ús de la variable “Dia” per classificar els dies en festius o no, com en el cas anterior. Això es pot realitzar ja que l’índex de tots els festius anuals és el mateix (per exemple, l’1 de gener sempre és el dia 1), amb l’única excepció de la Setmana Santa. Pel càlcul de l’índex de setmana santa, s’ha de tindre en compte el calendari lunar, en tant que s’estableix que el diumenge de rams serà el diumenge immediatament següent a la primera lluna plena de la primavera. Això implica que per a calcular l’índex d’aquesta festivitat s’hauria d’utilitzar el calendari lunar, però s’ha desestimat en tant que en el cas d’anàlisi les dades sol apliquen per la predicció de part del 2019. En cas de realitzar prediccions per nous anys, s’hauria de tindre en compte, ja sigui automatitzant el càlcul de l’índex d’aquestes dates, o bé introduint-les directament manualment al vector on consta l’índex al qual correspon cada dia festiu de l’any, que pel model del 2019, s’ha anomenat “festius_aux”. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 37 En la taula 5.2, s’observa com queda per ara part del conjunt de dades. Taula 5-2.- Conjunt de dades amb les variables afegides. Font pròpia, extreta directament com a imatge de l'entorn de programació. 5.3.4. Normalització de les dades El primer pas a dur a terme, previ a la normalització de les dades, és la divisió del conjunt de dades disponibles en dades d’entrenament per l’algoritme i dades per la posada a prova del model proposat. Per realitzar aquesta separació, es decideix de forma arbitrària que el valor llindar serà 2/3 del total de dades, i també es fa una barreja del conjunt de dades. En conseqüència, 6083 registres del total seran destinats a l’entrenament del model, i la resta, a l’avaluació d’aquest. Un cop s’ha establert la variable “llindar”, també s’ha optat per esborrar la variable “Qualitat de la mesura” de la taula, en tant que no s’hi aprecia que aporti cap diferència en els registres energètics que el model realitza. Una altra de les mesures a tindre en compte abans d’aplicar els diferents algoritmes regressors és la normalització del conjunt de dades. La normalització és un mètode matemàtic aplicable quan les variables que intervenen tenen magnituds i rangs diferents entre elles. En aquest cas, tenint en compte que la variable hores va de 0 a 23, la variable dies d’1 a 365, i les variables cap de setmana i festius són binàries, sembla convenient normalitzar el conjunt de dades. Tot i això, s’ha optat per realitzar dues opcions de codi, una on es normalitzen les variables de forma prèvia a l’aplicació de models regressors, i una altra on no es fa aquesta normalització. Posteriorment, es compararan els resultats obtinguts Memòria 38 amb tots dos models per valorar si realment és necessari aquest procediment de normalització de les dades. Dintre el codi on s’ha optat per normalitzar les dades, s’han seguit els següents passos: - S’elimina de la taula de dades la columna “Energia”, ja que la variable a predir no es normalitza, i es guarda en una nova variable. - Càlcul de la mitjana de cada variable, sent els resultats els de la taula 5.3: Taula 5-3.- Mitjana de cada variable. Font pròpia. Variable Mitjana del conjunt Hora 11,477 Dia 183,667 Cap de setmana 0,285 Festius 0,043 - Càlcul de la desviació estàndard de cada variable, sent els resultats els de la taula 5.4: Taula 5-4.- Desviació estàndard de cada variable. Font pròpia. Variable Desviació estàndard del conjunt Hora 6,899 Dia 105,586 Cap de setmana 0,451 Festius 0,202 - Creació d’una nova taula de dades, on s’afegeixen les dades normalitzades, obtingudes de la primera taula 5.2, sense la columna “Energia” ni “Qualitat de la mesura”, i aplicant l’equació 5.3. a tots els valors. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 39 𝑉𝑎𝑙𝑜𝑟𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑡𝑧𝑎𝑡 =𝑉𝑎𝑙𝑜𝑟𝑖𝑛𝑖𝑐𝑖𝑎𝑙 − 𝑀𝑒𝑎𝑛𝑣𝑎𝑟 𝑆𝑡𝑑𝑣𝑎𝑟 (Eq. 5.3.) On:  Valornormalitzat: Nou valor que prendrà una determinada variable per un registre concret.  Valorinicial: Valor de la variable en la taula 5.2.  Meanvar: Mitjana de la variable, segons taula 5.3.  Stdvar: Desviació estàndard de la variable, segons taula 5.4. - En la taula final obtinguda amb els valors normalitzats, s’hi afegeix la columna corresponent al registre d’energia, que s’havia esborrat en el primer pas del procés. Finalment, s’obté com a resultat del procés la taula 5.5. Taula 5-5.- Primers cinc registres del conjunt de dades amb les variables normalitzades. Font pròpia, extreta directament com a imatge de l'entorn de programació. 5.4. Aplicació de models regressors i selecció del guanyador Per l’aplicació dels diferents models que s’han exposat en l’estat de l’art previ, s’ha creat la funció regressió. En ella s’ha implementat l’entrenament del model, la realització de prediccions, i l’obtenció dels criteris r2 i error quadràtic mig, que serviran per seleccionar el model guanyador. Tot això s’observa en la figura 5.4, corresponent a les línies de codi on es defineix la funció. Memòria 46 Figura 6-2.- Histograma del conjunt de dades reals d'energia de la part d'avaluació del model. Font pròpia. Tal com es deduïa de la gràfica 6.1, el model concentra la majoria de prediccions en el conjunt entre 180 i 300 kWh aproximadament, fet causat pel motiu comentat en el paràgraf anterior. La resta de barres de l’histograma presenten força similitud en les seves magnituds entre totes dues gràfiques (6.2 i 6.3), fet que indica que la resta de dades es reparteixen de forma similar en els dos conjunts. Nombre de vegades que es registra el valor d’energia Energia activa horària (kWh) PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 47 Figura 6-3.- Histograma del conjunt de prediccions de la part d’avaluació del model. Font pròpia. Finalment, en la figura 6.4, es presenta el diagrama de caixa que compara les prediccions i els registres reals. La figura 6.4 i taula 6.2 permeten veure com el model ajusta de forma extraordinària aquells valors que marquen la tendència del conjunt de dades, com la mediana i els quartils Q1 i Q4, representats en la taula 6.2 com 0,50, 0,25 i 0,75 respectivament, però erra a l’hora de predir aquells valors extraordinaris, que en aquest cas, és 0, per algun registre determinat que consti com a 0. Aquest registre podria ser derivat d’un error en el preprocessing, però no hauria d’influir en el model en tant que sol s’observen 5 casos en la gràfica 6.1, dintre d’un conjunt de dades de 2920 registres. Energia activa horària (kWh) Nombre de vegades que es registra el valor d’energia Memòria 48 Figura 6-4.- Diagrames de caixa de les prediccions i dels registres reals. Font pròpia. Taula 6-2.- Quartils corresponents al diagrama de caixa de la figura anterior. Font pròpia. Per tant, de forma sintetitzada, i tenint en compte els resultats exposats en aquest apartat, podem afirmar que l’algoritme òptim per aquesta aplicació és Random Forests, obtenint uns valors de correlació de fins a 0,998, i sense una verdadera rellevància del paràmetre “nombre d’estimadors” ni de la normalització de les dades, tot i que sembla que la no normalització porta a valors de r2 lleugerament superiors. Registre d’energia horària activa (kWh) Prediccions d’energia activa horària Registres reals d’energia activa horària PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 49 7. Anàlisi de l’impacte ambiental L’impacte ambiental d’aquest projecte, tot i girar entorn de l’anàlisi i predicció de la demanda elèctrica d’un campus, és gairebé nul. Es podria considerar l’impacte generat pel consum de l’ordinador on s’ha conduït l’estudi, però és menyspreable. El fet que si podria afectar a l’impacte ambiental, i de forma favorable, seria les mesures que s’adoptin d’acord amb les conclusions extretes d’aquest treball, en tant que es podria optimitzar l’ús dels recursos disponibles per reduir la corba de consum, o bé millorar la gestió de la instal·lació fotovoltaica del campus i les bateries presents, per reduir el consum de xarxa i suplantar-lo amb producció d’energia neta, sense emissió de gasos d’efecte hivernacle. Alhora, aquest estudi podria considerar-se suport del Pla UPC 2020 de sostenibilitat energètica, ja que forma part d’una de les seves línies estratègiques la implicació dels estudiants en l’estudi de l’eficiència energètica dels diferents campus. Memòria 50 Conclusions En aquest treball s’ha elaborat un estudi al voltant de l’anàlisi de la demanda elèctrica del campus EEBE, per extreure’n conclusions que permetessin desenvolupar un model capaç de predir el consum de l’escola. Per arribar a l’objectiu exposat, es fa una primera aproximació a l’estat de l’art del monitoratge del consum elèctric i l’ús d’intel·ligència artificial per la predicció de forma general, i també aplicada de forma específica en el camp de la gestió energètica. Amb això, s’han vist les eines principals que han permès posteriorment conduir aquest estudi. Un cop es coneixen els mètodes i eines a emprar, s’ha fet una anàlisi del consum elèctric del campus en l’any 2019, per caracteritzar el comportament d’aquesta variable i alhora fer una primera aproximació a les dades a tractar. Aquesta revisió inicial ha permès descartar algunes hipòtesis, com la influència del calendari docent en el consum, ja que la presència d’alumnat no suposava variacions significatives en la demanda elèctrica, i també ha servit per intuir algunes de les variables que podien influir en el consum, com la festivitat d’una determinada jornada o bé si era cap de setmana. Seguidament, s’ha desenvolupat el model de predicció, que amb les variables plantejades des d’un inici ja ha donat resultats força satisfactoris pel regressor “Random Forests”, com es demostra en el capítol 6 d’aquesta memòria. Aquest algoritme, amb un coeficient de correlació entre predicció i registre real de r2 = 0,99, porta a concloure i demostrar que, efectivament, és possible realitzar una predicció de la demanda del campus, i així poder passar a nous estudis d’optimització energètica. Tenint en compte el que s’ha exposat, l’objectiu d’aquest treball es considera com assolit, però s’ha de tenir en compte algunes limitacions al respecte, ja que per la predicció d’anys diferents de l’estudiat, s’haurien de reformular les equacions pel càlcul dels dies que són cap de setmana, i variar l’índex d’alguns festius, concretament els relacionats amb la Setmana Santa. Pel que fa a futurs estudis derivats de l’aquí present, es podria considerar l’aplicació del model desenvolupat en altres anys, realitzant les petites variacions necessàries comentades en el paràgraf anterior, per així avaluar si realment s’adapta per la predicció del consum d’altres anys, fet que alhora serviria per veure si les dades varien notablement d’un any a altre. A més, tenint en compte que 2020 ha estat un any atípic, podria ser interessant veure la necessitat del model de noves variables, com per exemple el fet de ser període de confinament o no. Això portaria a poder avaluar si el model aquí desenvolupat podria servir per a una futura optimització de tota la gestió energètica del campus, conduint a incrementar la independència elèctrica del centre respecte a la xarxa per implementar fonts d’energia renovables aïllades. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 51 Pressupost El pressupost desglossat d’aquest projecte es presenta en les taules P-1 i P-2, on es pot diferenciar el cost dels recursos materials i el cost dels recursos humans respectivament. Taula P-1.- Cost dels recursos materials. Font pròpia. Concepte Preu (€/unitat) Amortització (mesos) Temps d’ús (mesos) Cost final imputable (€) Ordinador portàtil 648,95 48 5 67,60 Llicència Office 365 69,00 12 5 28,75 SUBTOTAL 96,35 IVA (21%) 20,23 TOTAL 116,58 Taula P-2.- Cost dels recusos humans. Font pròpia. Concepte Preu (€/hora) Hores de treball dedicades Cost final imputable (€) Documentació i anàlisi de dades 25 80 2000,00 Programació 25 140 3500,00 Redacció 25 70 1750,00 SUBTOTAL 7250,00 IVA (21%) 1522,50 TOTAL 8772,50 El preu final, obtingut realitzant el còmput del cost de recursos materials (116,58 €) i de recursos humans (8772,50 €), és de 8889,08 €. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 53 Bibliografia [1] AMAT RODRIGO, J. Arboles de decision, Random Forest, Gradient Boosting y C5.0. A: [en línia]. [Consulta: Octubre 2020]. Disponible a: https://www.cienciadedatos.net/documentos/33_arboles_de_prediccion_bagging_random_forest_ boosting. [2] CANCELO, J.R., ESPASA, A. I GRAFE, R., 2008. Forecasting the electricity load from one day to one week ahead for the Spanish system operator. A: International Journal of Forecasting. Vol. 24, núm. 4, p. 588-602. ISSN 01692070. DOI 10.1016/j.ijforecast.2008.07.005. [3] DEXMA. DEXMA - Software de Gestión y Eficiencia Energética. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://www.dexma.com/es/. [4] FERRARA MARZO, A., 2019. Estudi de la demanda de la instal·lació fotovoltaica aïllada de l ’ ETSEIB. A: [en línia]. [Consulta: Setembre 2020]. Disponible a: https://upcommons.upc.edu/handle/2117/167063 [5] GARRIGA GIBERT, E., 2020. Estudi i predicció de la generació energètica de la instalꞏlació fotovoltaica de la biblioteca de l ’ETSEIB. A: [en línia]. [Consulta: Setembre 2020] Disponible a: https://upcommons.upc.edu/handle/2117/186464 [6] GEMWEB. Gestión y eficiencia energética - gemweb. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: http://www.gemweb.es/. [7] HEIDMANN, L. Unsupervised Machine Learning: Use Cases & Examples. A: [en línia]. [Desembre 2020]. Disponible a: https://blog.dataiku.com/unsupervised-machine-learning-use-cases-examples. [8] KURAMA, V. Beginner’s Guide To Unsupervised Learning With Python | Built In. A: [en línia]. [Setembre 2020]. Disponible a: https://builtin.com/data-science/unsupervised-learning-python. [9] MARIAS BARBER, L., 2019. Anàlisi del consum elèctric a l’edifici H de l’ETSEIB. A: [en línia]. [Consulta: Setembre 2020] Disponible a: https://upcommons.upc.edu/handle/2117/167448 [10] MARTÍNEZ HERAS, J. Máquinas de Vectores de Soporte (SVM). A: [en línia]. [Consulta: Novembre 2020]. Disponible a: https://www.iartificial.net/maquinas-de-vectores-de-soporte-svm/. [11] MATHWORKS. Machine Learning: Tres cosas que es necesario saber - MATLAB & Simulink. A: [en línia]. [Consulta: Setembre 2020]. Disponible a: https://es.mathworks.com/discovery/machinelearning.html. Annexos 54 [12] MATPLOTLIB. Pyplot tutorial — Matplotlib 3.3.3 documentation. A: [en línia]. [Consulta: Octubre 2020]. Disponible a: https://matplotlib.org/tutorials/introductory/pyplot.html. [13] MERKLE. Cómo el Big Data puede decidir las elecciones de EEUU. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://www.merkleinc.com/es/es/blog/big-data-elecciones-eeuu. [14] MORALES SÁNCHEZ, A.A. Capítulo 3 Clasificadores Débiles-AdaBoost, Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador [en línia]. Escuela de Ingeniería, Universidad de las Américas Puebla. Disponible a: http://catarina.udlap.mx/u_dl_a/tales/documentos/lmt/morales_s_aa/. [15] NA8. Algoritmo k-Nearest Neighbor | Aprende Machine Learning. A: [en línia]. [Consulta: Septembre 2020]. Disponible a: https://www.aprendemachinelearning.com/clasificar-con-k-nearest- neighbor-ejemplo-en-python/. [16] ORELLANA ALVEAR, J., 2018. Arboles de decision y Random Forest. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://bookdown.org/content/2031/arboles-de-decision-parte- i.html. [17] PANDAS. pandas - Python Data Analysis Library. A: [en línia]. [Consulta: Septembre 2020]. Disponible a: https://pandas.pydata.org/. [18] SCIKIT. Decision Trees — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://scikit-learn.org/stable/modules/tree.html#regression. [19] SCIKIT. Gradient Boosting regression — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://scikitlearn.org/stable/auto_examples/ensemble/plot_gradient_boosting_regression.html. [20] SCIKIT. Nearest Neighbors — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbors- regression. [21] SCIKIT. scikit-learn: machine learning in Python — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Septembre 2020]. Disponible a: https://scikit-learn.org/stable/. [22] SCIKIT. sklearn.ensemble.AdaBoostRegressor — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.AdaBoostRegressor.html. PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 55 [23] SCIKIT. sklearn.linear_model.LinearRegression — scikit-learn 0.24.0 documentation. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://scikitlearn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html. [24] SPAINML. Como funciona Gradient Boosting. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://spainml.com/blog/como-funciona-gradient-boosting/. [25] UPC, UNIVERSITAT POLITÈCNICA DE CATALUNYA. Butlletí UPC 166 — Legislació i normatives — UPC. Universitat Politècnica de Catalunya. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://www.upc.edu/normatives/ca/butlleti-upc/hemeroteca/2015-2016/butlleti-upc-166 [26] UPC, UNIVERSITAT POLITÈCNICA DE CATALUNYA, 2018. Calendari Acadèmic EEBE curs 2018/2019. A: [en línia]. [Consulta: Septembre 2020] Disponible a: https://eebe.upc.edu/ca/estudis/estudis-de-master/documentsmasters/academic_calendar_2018_19.pdf [27] UPC, UNIVERSITAT POLITÈCNICA DE CATALUNYA 2018. Calendari Acadèmic EEBE curs 2019/2020. A: [en línia]. [Consulta: Septembre 2020]. Disponible a: https://eebe.upc.edu/ca/estudis/calendarisacademics/documents/calendari_academic_19_20.pdf [28] UPC, UNIVERSITAT POLITÈCNICA DE CATALUNYA. Informe SIRENA 2019. Avaluació del consum d’energia i aigua de la UPC. — UPC Energia 2020 - Comunitats sostenibles — UPC. Universitat Politècnica de Catalunya. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://www.upc.edu/energia2020/ca/noticies/informe-sirena-2019-avaluacio-del-consum- d2019energia-i-aigua-de-la-upc [29] WATTABIT. Wattabit Energy Management Solutions | Soluciones energéticas. A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://wattabit.com/ [30] ZAMBRANO, J. ¿Aprendizaje supervisado o no supervisado? Conoce sus diferencias dentro del machine learning y la automatización inteligente. A: [en línia]. [Consulta: Septembre 2020]. Disponible a: https://medium.com/@juanzambrano/aprendizaje-supervisado-o-no-supervisado-39ccf1fd6e7b [31] ZEMSANIA, G.G. Big Data Marketing, la analítica de datos al servicio de la publicidad . A: [en línia]. [Consulta: Desembre 2020]. Disponible a: https://zemsaniaglobalgroup.com/big-data-marketing-la- analitica-de-datos-al-servicio-de-la-publicidad/ Annexos 62 PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 63 A3. Aplicació de models regressors Annexos 64 PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 65 Annexos 66 PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 67 Annexos 68 PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 69 Annex B. Gràfiques de la mitjana del consum energètic diari de cada mes Figura B-0-1.- Corba de la mitjana del consum energètic diari del mes de Gener de 2019. Font pròpia. 150 200 250 300 350 400 450 500 12345678910 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Energia (kWh) Dia Mitjana diària Gener Annexos 70 Figura B-0-2.- Corba de la mitjana del consum energètic diari del mes de Febrer de 2019. Font pròpia. Figura B-0-3.- Corba de la mitjana del consum energètic diari del mes de Març de 2019. Font pròpia. 150 200 250 300 350 400 450 500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Energia (kWh) Dia Mitjana diària Febrer 150 200 250 300 350 400 450 500 12345678910 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Energia (kWh) Dia Mitjana diària Març PREDICCIÓ DE LA DEMANDA ELÈCTRICA A L’EEBE 71 Figura B-0-4.- Corba de la mitjana del consum energètic diari del mes d’Abril de 2019. Font pròpia. Figura B-0-5.- Corba de la mitjana del consum energètic diari del mes de Maig de 2019. Font pròpia. 150 200 250 300 350 400 450 500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Energia (kWh) Dia Mitjana diària Abril 150 200 250 300 350 400 450 500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Energia (kWh) Dia Mitjana diària Maig