Facoltà: Ingegneria Gestionale - classe L-9
Collocazione: 17667
Autore: Bonelli Andrea
Data: 17/10/2019
Titolo: Modelli di previsione a breve termine dei carichi elettrici di un’area urbana basati su strumenti di Machine Learning
Relatore: Mari Luca
Autorizzazione per la consultazione: NO
Le tesi si possono consultare unicamente in sede
La tesi si è concentrata sullo sviluppo di modelli previsionali a breve termine dei carichi elettrici di un’area urbana utilizzando algoritmi di Machine Learning di tipo ensemble. Nella prima parte sono spiegati i principali motivi che spingono alla creazione e allo sviluppo di modelli sempre più sofisticati di previsione, con orizzonti temporali diversificati in base alle esigenze delle aziende produttrici. Sono inoltre descritte le grandezze fondamentali necessarie per la creazione di modelli previsionali efficaci, ed è analizzato come tali grandezze si relazionino con le diverse tipologie di previsione. Nella seconda parte è presentato il Dataset “PJM Hourly Energy Consumption Data” (https://www.kaggle.com/robikscube/hourly-energy-consumption), che contiene i dati storici orari dei carichi delle principali aziende elettriche degli Stati Uniti orientali. L’analisi è stata focalizzata su una particolare area geografica (l’area della città di Pittsburgh), sulla quale si è effettuata una ricerca approfondita sulle variabili correlabili al carico elettrico, impiegando a supporto il Dataset “Historical Hourly Weather Data” (https://www.kaggle.com/selfishgene/historical-hourly-weather- data), che contiene i dati meteo dell’area. È inoltre descritto il lavoro di data preparation e data cleaning, svolto per rendere i dati utilizzabili per le successive analisi. La terza parte della tesi propone una panoramica degli strumenti previsionali utilizzati, ovvero algoritmi di Machine Learning di tipo ensemble come l’Adaptive boosting e il Random forest. Questi sono stati applicati attraverso Orange, un sistema software di Data Mining basato sulla logica della programmazione visuale, con il quale si sono sviluppate tutte le principali previsioni realizzate in questo lavoro. La quarta e ultima parte presenta i risultati ottenuti, analizza le grandezze correlabili al carico elettrico, e come esse facciano variare le prestazioni dei diversi algoritmi sperimentati. A partire da ciò, sono valutati i risultati ottenuti e sono proposte alcune considerazioni su come si potrebbe migliorare ulteriormente la precisione delle previsioni.
