Publicação
Data-driven solar surplus forecasting for UPACs using a deep neural network
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 07:Energias Renováveis e Acessíveis | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Nogueira, Miguel | |
| dc.contributor.author | Kreuzer, Laurenz | |
| dc.date.accessioned | 2026-01-06T11:59:42Z | |
| dc.date.available | 2026-01-06T11:59:42Z | |
| dc.date.issued | 2025-02-11 | |
| dc.date.submitted | 2025-01-03 | |
| dc.description.abstract | This thesis addresses MEO Energia’s operational challenges in solar surplus forecasting for Units of Production for Self-Consumption (UPACs). These UPACs, including private households and small companies with solar panels, generate renewable energy for self-consumption and feed surplus electricity back into the Portuguese national grid. To comply with regulatory requirements, avoid financial penalties, and optimize operations, MEO Energia must report solar surplus production to the National Energy Network 48 hours in advance. To address these challenges, a predictive model based on a feedforward Deep Neural Network (DNN) was developed. The model generates forecasts at 15-minute intervals over a 7-day horizon, integrating historical production records with weather data obtained through a free weather API. An embedding layer enhances performance significantly by extracting latent patterns from supplier-specific IDs, allowing the model to adapt to the unique characteristics of individual UPACs. The model’s performance was evaluated using a six-month holdout dataset. Results indicate reliable short-term predictions, achieving daily aggregate errors of ±6% with the latest weather forecast data. Accuracy decreases with extended forecast horizons, reaching ±11% deviations for 48-hour forecasts, highlighting dependency on weather forecast precision. This research demonstrates the potential of DNN-based models to improve solar surplus prediction accuracy and operational efficiency. Current performance matches that of existing methods while offering significantly increased efficiency. Long-term improvements, driven by enhanced data quality and coverage, are expected to further optimize accuracy and position MEO Energia as a stronger competitor in the renewable energy market. | eng |
| dc.description.abstract | Esta tese aborda os desafios operacionais da MEO Energia na previsão de excedentes solares para Unidades de Produção para Auto-Consumo (UPACs). Estas UPACs, que incluem casas particulares e pequenas empresas com painéis solares, produzem energia renovável para autoconsumo e fornecem o excedente à rede nacional portuguesa. Para cumprir os requisitos regulamentares, evitar sanções financeiras e otimizar as operações, a MEO Energia deve comunicar a produção excedentária de energia solar à Rede Nacional de Energia com 48 horas de antecedência. Para enfrentar estes desafios, foi desenvolvido um modelo preditivo baseado numa Rede Neural Profunda (DNN) feedforward. O modelo gera previsões em intervalos de 15 minutos ao longo de um horizonte de 7 dias, integrando registos históricos de produção com dados meteorológicos obtidos através de uma API gratuita. Uma camada de incorporação melhora o desempenho ao extrair padrões latentes de IDs específicos de fornecedores, permitindo ao modelo adaptar-se às características únicas das UPACs. O desempenho foi avaliado com um conjunto de dados de seis meses. Os resultados mostram previsões fiáveis a curto prazo, com erros agregados diários de ±6% usando as previsões meteorológicas mais recentes. A exatidão diminui em horizontes de 48 horas, atingindo desvios de ±11%, refletindo a dependência da precisão dos dados meteorológicos. Esta investigação demonstra o potencial das DNNs para melhorar a previsão de excedentes solares e a eficiência operacional. Espera-se que, com dados mais abrangentes, a precisão seja ainda mais otimizada, fortalecendo a posição competitiva da MEO Energia no mercado de energias renováveis. | por |
| dc.identifier.tid | 203907930 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/56220 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Análise preditiva | |
| dc.subject | Data-driven modeling | |
| dc.subject | Deep neural network | |
| dc.subject | Embedding | |
| dc.subject | Energia renovável | |
| dc.subject | Incorporação | |
| dc.subject | Integração de dados meteorológicos | |
| dc.subject | Modelação baseada em dados | |
| dc.subject | Predictive analytics | |
| dc.subject | Previsão de excedente solar | |
| dc.subject | Previsão de séries temporais | |
| dc.subject | Rede neural profunda | |
| dc.subject | Renewable energy | |
| dc.subject | Solar surplus forecasting | |
| dc.subject | Time-series forecasting | |
| dc.subject | Weather data integration | |
| dc.title | Data-driven solar surplus forecasting for UPACs using a deep neural network | eng |
| dc.title.alternative | Previsão do excedente solar orientada por dados para UPACs usando uma rede neural profunda | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Análise de Dados para Gestão |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- 203907930.pdf
- Tamanho:
- 4.39 MB
- Formato:
- Adobe Portable Document Format