В 2016 году на долю зданий приходилось 41% конечного потребления энергии в Европе. Поэтому крайне важно повысить их энергоэффективность. Прогнозирование потребления электроэнергии в зданиях поможет потребителям экономить энергию, поскольку оно может способствовать повышению энергоэффективности и выявлению сбоев в системе зданий. Цель этой диссертации заключается в том, чтобы применить машинное обучение для прогнозирования потребления и производства электроэнергии. Эти данные включают данные о потреблении электроэнергии, производстве солнечной энергии и погодных условиях, которые ранее собирались ежечасно в Технологическом университете Лаппеенранта-Лахти. Он анализируется с помощью 36-часового прогностического горизонта с использованием современной модели, называемой интерпретируемой многопеременной нейронной сетью краткосрочной памяти, которая была выбрана в качестве одной из лучших моделей прогнозирования. Для данных о потреблении электроэнергии составляется точный прогноз с МААПЕ в размере 2,45%. Прогноз солнечной энергии оказался менее успешным, достигнув МААПЕ в размере 55,86% в лучшем случае.

Buildings stock represented 41% of the final European energy consumption in 2016. It is, therefore, critical to improve their energy efficiency. Forecasting the electricity consumption of buildings would help users in saving energy, as it can support energy efficiency and reveal building system faults. The focus of this thesis is to apply machine learning for forecasting the electricity consumption and production. The data includes electricity consumption, solar power generation and weather times series that were previously collected hourly in the campus of Lappeenranta-Lahti University of Technology. It is analysed over a 36-hour prediction horizon with a state-of-the-art model, called the Interpretable Multi-Variable Long Short-Term Memory Neural Network, that was selected among the best forecasting models. An accurate forecast with a MAAPE of 2.45% is achieved for the electricity consumption data. Forecasting the solar power generation data was less successful, reaching a MAAPE of 55.86% at best.