Developing and comparing machine learning models for building heating energy consumption forecasting

Abstract

The goal of this thesis was to develop a forecasting model using statistical learning for a smart building company, Company X, to predict future heating energy consumption based on past weather and consumption data. Three different models; Multivariate Linear Regression, K-Nearest Neighbors Regression, and Long Short-Term Memory Neural Network Regression were compared in this study. The data used is collected by Company X from three different Finnish buildings and the weather data is from the Finnish Meteorological Institute. To smoothen out building dynamics, the model was trained to predict heating energy consumption on a daily level. The results indicate that LSTM is the most accurate out of the three models. But because KNN is almost as accurate as LSTM and is much faster to train and easier to explain to customers, Company X should use KNN Regression as their forecasting model.

Työn tavoitteena oli muodostaa tilastollista oppimista hyödyntäen lämmitysenergiankulutuksen ennustemalli älykäs rakennus -alalla toimivalle Yritys X:lle. Työssä vertailtiin kolmea eri mallia: usean muuttujan lineaarista regressiota, K-Nearest Neighbors -regressiota sekä Long Short-Term Memory neuroverkkoa. Käytössä oleva data oli Yritys X:n keräämää dataa kolmesta suomalaisesta kiinteistöstä. Säädata oli saatu Ilmatieteenlaitokselta. Rakennusten dynaamisuuden takia malli rakennettiin toimimaan vuorokausitasolla. Tulosten perusteella LSTM-neuroverkko oli tutkitusta kolmesta mallista tarkin, mutta koska KNN suoriutui lähes yhtä tarkasti ja on lisäksi LSTM:ää nopeampi kouluttaa ja helpompi selittää asiakkaille, tulisi Yritys X:n käyttää K-Nearest Neighbors -regressiota heidän lämmitysenergian ennustemallinaan.