A carregar...
Publicação
How power system structure shapes short-term electricity forecasting performance : a comparative study of Germany and Portugal
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.62 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Short-term forecasts of electricity consumption, production, and net imbalance are critical for power system operation, as forecast errors directly influence balancing actions, reserve activation, and system security. While most existing research focuses on improving predictive accuracy, far less attention has been given to how forecasting performance depends on the structural characteristics of the underlying power system. This thesis examines how system structure shapes short-term forecasting performance through a comparative study of Germany and Portugal. The analysis focuses on one-hour and twenty-four-hour ahead horizons and applies a unified machine learning framework across both countries, including tree-based ensemble models and recurrent neural networks. Forecast performance is evaluated using standard accuracy metrics and a severity-based framework that distinguishes between operationally minor and high-risk deviations. Model behavior is further examined using SHAP-based interpretability.The results reveal pronounced cross-country differences despite identical models. Germany exhibits lower errors and fewer severe deviations, while Portugal shows greater sensitivity, particularly at longer horizons. These differences are closely linked to structural factors such as system size, renewable penetration, and interconnection capacity, highlighting the importance of interpreting forecast performance within its system context.
Previsões de curto prazo do consumo, da produção e do desequilíbrio líquido de eletricidade são fundamentais para a operação dos sistemas elétricos, uma vez que erros de previsão afetam diretamente o balanceamento, a ativação de reservas e a segurança do sistema. Apesar de a investigação existente se concentrar sobretudo na melhoria da precisão preditiva, pouca atenção tem sido dada à influência da estrutura do sistema elétrico no desempenho das previsões. Esta dissertação analisa esse impacto através de um estudo comparativo entre a Alemanha e Portugal. A análise incide nos horizontes de uma hora e de vinte e quatro horas, aplicando uma estrutura unificada de aprendizagem automática, incluindo modelos ensemble baseados em árvores e redes neuronais recorrentes. O desempenho é avaliado com métricas de precisão padrão e uma abordagem baseada na severidade, complementada por análise interpretável com valores SHAP.Os resultados mostram diferenças claras entre os dois países, apesar do uso de modelos idênticos. A Alemanha apresenta erros mais baixos e menos desvios severos, enquanto Portugal revela maior sensibilidade, sobretudo em horizontes mais longos, refletindo fatores estruturais como a dimensão do sistema, a penetração de renováveis e a capacidade de interconexão.
Previsões de curto prazo do consumo, da produção e do desequilíbrio líquido de eletricidade são fundamentais para a operação dos sistemas elétricos, uma vez que erros de previsão afetam diretamente o balanceamento, a ativação de reservas e a segurança do sistema. Apesar de a investigação existente se concentrar sobretudo na melhoria da precisão preditiva, pouca atenção tem sido dada à influência da estrutura do sistema elétrico no desempenho das previsões. Esta dissertação analisa esse impacto através de um estudo comparativo entre a Alemanha e Portugal. A análise incide nos horizontes de uma hora e de vinte e quatro horas, aplicando uma estrutura unificada de aprendizagem automática, incluindo modelos ensemble baseados em árvores e redes neuronais recorrentes. O desempenho é avaliado com métricas de precisão padrão e uma abordagem baseada na severidade, complementada por análise interpretável com valores SHAP.Os resultados mostram diferenças claras entre os dois países, apesar do uso de modelos idênticos. A Alemanha apresenta erros mais baixos e menos desvios severos, enquanto Portugal revela maior sensibilidade, sobretudo em horizontes mais longos, refletindo fatores estruturais como a dimensão do sistema, a penetração de renováveis e a capacidade de interconexão.
Descrição
Palavras-chave
Short-term electricity forecasting Net imbalance Power system structure Machine learning Renewable energy integration Forecast error severity Power system operation Previsão de eletricidade de curto prazo Desequilíbrio líquido Estrutura do sistema elétrico Aprendizagem automática Integração de energias renováveis Severidade do erro de previsão Operação do sistema elétrico
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC