1. Watt’s next? A machine learning based energy usage forecasting model
- Author
-
Arnoldson Sparr, Anna, Bergström, Max, Sardal, Ingrid, Wernersson, Olle, Arnoldson Sparr, Anna, Bergström, Max, Sardal, Ingrid, and Wernersson, Olle
- Abstract
När den globala uppmärksamheten på att bekämpa klimatförändringar ökar, ställs olika organisationer och företag inför ett allt större krav att göra hållbara val. Dataanalys för miljöändamål blir därför avgörande - att kunna analysera historiska data för olika faktorer som påverkar miljön, och förstå vilka konsekvenser förändringar av dessa faktorer kan medföra, blir mycket viktigt för att kunna fatta hållbara beslut. Målet med det här projektet var att utveckla en prognosmodell för energianvändning, genom att utnyttja maskininlärningstekniker, med ett primärt fokus på att skapa ett visualiseringsverktyg för kommuner. Metoder som användes var till exempel datainsamling, genomförande av multipla dataanalyser, träning av maskininlärningsmodeller, och visualisering av resultaten. Slutprodukten visualiserar energianvändning fram till år 2045. Ett signifikant antal modeller (2610 stycken) tränades för att hantera skillnaderna mellan olika kommuner och sektorer. Produkten låter användare välja specifika kommuner och sektorer för att kunna se skräddarsydda prognoser. Trots vissa limitationer på grund av luckor i datan och behovet för vidareutveckling, demonstrerar slutprodukten potentialen i användandet av maskininlärning för att förutspå trender inom energianvändning, och ger en grund för framtida förbättringar för att öka precisionen och användarupplevelsen., As global attention intensifies on combating climate change, different kinds of organizations and companies are under increasing pressure to make sustainable choices. Data analysis for environmental purposes becomes crucial - being able to look at the history of different factors that may have an effect on the environment, and being aware of what consequences changing the different factors can result in, can be very important when making sustainable decisions. The objective for this project was to develop a forecasting model for energy usage utilizing machine learning techniques, with a primary focus on creating a visualization tool for municipalities. The methodology involved collecting data, conducting multiple data analyses, training machine learning models, and visualizing the results. The final product visualizes energy usage up to the year 2045. A significant number of models (2610) were trained to address the differences of distinct municipalities and sectors. The product allows users to select specific municipalities and sectors to view tailored forecasts. Despite some limitations due to data gaps and the need for further refinement, the product demonstrates the potential of machine learning in predicting energy usage trends and provides a foundation for future enhancements to improve accuracy and user interaction.
- Published
- 2024