La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Power demand forecasting for district building

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Le, Hieu (2020). Power demand forecasting for district building. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of LE_Hieu.pdf]
Prévisualisation
PDF
Télécharger (5MB) | Prévisualisation
[thumbnail of LE_Hieu-web.pdf]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

The study of electricity demand forecasting has been of interest to researchers and organizations; in recent years, they also focus on building load forecasts. Researchers, power companies, software companies have developed many models. However, the results of accurate electricity demand forecasting remain challenging. One of the predictive methods is the use of the ANN network, which is used by many researchers with many positive results but continues to be studied and developed.

Accurate electricity demand forecasting applied to among Demand Response, Demand Side Management, Energy Efficiency program, Micro Smart Grid, and Smart Building will help reduce the cost of electricity for the consumer. Accurate forecasting is also beneficial for electricity distribution and transmission companies and power systems operators.

In the project district building Microgrid in Downtown Montreal, a content that needs attention is the forecast of the demand for electricity in the district building. In this thesis, we will review previous studies, synthesize substances related to the significant problem - solutions, research directions in electricity demand forecasts for buildings. Based on the implemented model present in this thesis, the short-term load forecasting model is proposed for a campus using the neural network model. The best suitable model was found when using many compare models and combined between them.

Titre traduit

Prévision de la demande d'électricité dans le bâtiment de district

Résumé traduit

L’étude de la prévision de la demande d’électricité a suscité l’intérêt des chercheurs et des organisations; ces dernières années, ils se sont également concentrés sur les prévisions de charge. Les chercheurs, les entreprises d’électricité, les éditeurs de logiciels ont développé de nombreux modèles. Cependant, les résultats de la prévision précise de la demande en électricité restent difficiles. L’une des méthodes prédictives est l’utilisation du réseau ANN, utilisé par de nombreux chercheurs avec de nombreux résultats positifs, mais qui continue d’être étudié et développé.

Une prévision précise de la demande en électricité s'applique aux programmes Réponse à la demande, Gestion de la demande, Programme d'efficacité énergétique, Micro Smart Grid et Smart Building, ce qui contribuera à réduire le coût de l'électricité pour le consommateur. Des prévisions précises sont également bénéfiques pour les sociétés de distribution et de transport d'électricité et les gestionnaires de réseaux.

Dans le projet Microgrid de bâtiment de district au centre-ville de Montréal, les prévisions relatives à la demande d'électricité dans les bâtiments de district doivent retenir l'attention. Dans cette thèse, nous allons passer en revue les études précédentes, synthétiser des substances liées à un problème important - solutions, directions de recherche dans les prévisions de la demande d’électricité des bâtiments. Sur la base du modèle implémenté présent dans cette thèse, le modèle de prévision de charge à court terme est proposé pour un campus utilisant le modèle de réseau neuronal. Le modèle le mieux adapté a été trouvé lorsque de nombreux modèles sont comparés et combinés.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Thesis presented to école de technologie supérieure in partial fulfillment for a master’s degree with thesis in electrical engineering" Comprend des références bibliographiques (pages 147-152).
Mots-clés libres: microgrid, réseau de neurones, régularisation bayésienne, Levenberg Marquardt
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Dessaint, Louis-A.
Programme: Maîtrise en ingénierie > Génie électrique
Date de dépôt: 17 déc. 2020 20:50
Dernière modification: 17 déc. 2020 20:50
URI: https://espace.etsmtl.ca/id/eprint/2597

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt