Electricity consumption forecasting using neural networks

Abstract

This thesis compares different neural network architectures for predicting monthly electricity usage in Finnish households. Four different neural network architectures—Multi-layer Perceptron, Convolutional Neural Networks, Long Short-Term Memory Networks, and Gated Recurrent Units—were compared to an Autoregressive model. The study was conducted in partnership with Jarvi-Suomen Energia, an electricity network company located in southeastern Finland, which provided the data. All of the neural network architectures outperformed the traditional Autoregressive model, with Long Short-Term Memory Networks and Gated Recurrent Units being the most accurate. Among the neural network architectures, the Gated Recurrent Unit had the most normally distributed residuals, making it the recommended architecture for monthly electricity consumption prediction.

Tämä opinnäytetyö vertaa eri neuroverkkoarkkitehtuureja kuukausittaisen sähkönkulutuksen ennustamiseen suomalaisissa kotitalouksissa. Neljää erilaista neuroverkkoarkkitehtuuria—“Multi-layer Perceptron, “Convolutional Neural Network”, “Long Short-Term Memory Network”, ja “Gated Recurrent Unit”–verrattiin autoregressiiviseen malliin. Tutkimus tehtiin yhteistyössä Järvi-Suomen Energian, Kaakkois-Suomessa sijaitsevan sähkönjakeluverkkoyhtiön kanssa, joka toimitti tutkimusaineiston. Kaikki neuroverkkoarkkitehtuurit suoriutuivat paremmin kuin perinteinen autoregressiivinen malli, Long Short-Term Memory Networkkien sekä Gated Recurrent Unittien ollessa tarkimpia. Neuroverkkoarkkitehtuureista Gated Recurrent Unit tuotti residuaaleiltaan normaalijakautuneimmat ennusteet, mikä tekee siitä suositeltavan arkkitehtuurin kuukausittaisen sähkönkulutuksen ennustamiseen.