Practical decision-making in electricity consumption forecasting

: insights from combined models

Resumo

Este estudo concentra-se na previsão do consumo diário de eletricidade no Aeroporto de Faro, utilizando modelos de Machine Learning, Random Forest (RF) e AutoRegressive Integrated Moving Average com variáveis exógenas (ARIMAX). Para além de demonstrar a capacidade de previsão desses modelos, o estudo avalia o seu desempenho, comparando-os com o modelo híbrido que combina RF e ARIMAX. As métricas de desempenho não só medem a precisão das previsões, como também proporcionam uma melhor compreensão da eficácia dos modelos. O modelo híbrido destaca-se com um desempenho excepcional, exibindo uma boa precisão. A sua capacidade de aproveitar os pontos fortes de RF e ARIMAX contribui para previsões mais robustas, especialmente no contexto do consumo diário de eletricidade no Aeroporto de Faro. Além da precisão numérica, o estudo incorpora valores de Shapley para interpretabilidade, oferecendo uma visão transparente dos fatores que influenciam as tendências de consumo de eletricidade. Essa interpretabilidade auxilia a gestão do aeroporto na tomada de decisões informadas relacionadas à alocação de recursos energéticos, planeamento de infraestrutura e eficiência operacional. Esta abordagem, para além de otimizar a utilização de recursos, também posiciona o aeroporto para abordar proativamente desafios e oportunidades nos seus padrões de consumo de energia. A combinação de previsões precisas e insights interpretáveis permite ao Aeroporto de Faro responder eficazmente às necessidades energéticas atuais, mas também preparar futuros desafios com uma visão estratégica.

Data de atribuição	30 jan. 2024
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Ana Guedes (Supervisor)