Predictive Modelling Of Household Energy Demand
Author
Sabir, Said
Term
4. term
Education
Publication year
2018
Submitted on
2018-06-14
Pages
59
Abstract
This project addresses the need for accurate, actionable forecasts of household electricity demand to help balance supply and consumption on the grid and leverage flexibility from home devices. The aim is to analyze consumption patterns, group similar households, and develop a household-level prediction model that uses historical load data and contextual information to forecast energy needs (and device activations), focusing on the next 24 hours. The dataset covers 58 homes in Denmark and Italy with 6–12 months of measurements for 3–9 devices per home (logged every 2 minutes when idle and every 2–8 seconds when in use) and context such as household size (1–5 adults) and floor area (80–700 m2). The methodology includes trend and seasonality analysis, fuzzy c-means clustering of similar consumption profiles, and comparison of forecasting models (Holt–Winters, ETS, ARIMA, and seasonal naïve) evaluated with MAE, MAPE, MaxAE, and Sigma. Findings show that Holt–Winters achieved the lowest errors in four clusters and remained competitive elsewhere, with exponential smoothing methods reaching up to 93.35% accuracy in some clusters. The study indicates that clustering can enable faster, more accurate forecasts for new households, while high volatility at the individual-home level remains a key challenge. Potential applications include integration into Building Energy Management Systems and future work with larger datasets, more advanced clustering, and AI-based models.
Dette projekt adresserer behovet for præcise og operationelle prognoser for husholdningers elforbrug som grundlag for at balancere produktion og forbrug i elnettet og udnytte fleksibilitet i hjemmenes apparater. Formålet er at analysere forbrugsmønstre, gruppere lignende husholdninger og udvikle en forudsigelsesmodel på husholdningsniveau, der udnytter historiske forbrugsdata og kontekstuelle oplysninger til at forudsige energibehov (og apparataktiveringer) med fokus på de næste 24 timer. Datagrundlaget omfatter 58 hjem i Danmark og Italien med 6–12 måneders målinger af 3–9 apparater per hjem (logget hvert 2. minut i tomgang og hver 2–8 sekund under brug) samt kontekst som husstandsstørrelse (1–5 voksne) og boligareal (80–700 m2). Metodisk gennemføres trend- og sæsonanalyse, klyngedannelse af lignende forbrugsprofiler med fuzzy c-means, og sammenligning af prognosemodeller (Holt–Winters, ETS, ARIMA og sæson-naiv) evalueret med MAE, MAPE, MaxAE og Sigma. Resultaterne viser, at Holt–Winters gav den laveste fejl i fire klynger og var konkurrencedygtig i de øvrige, og at eksponentielle udglatningsmetoder opnåede op til 93,35% nøjagtighed i nogle klynger. Arbejdet peger på, at klyngning kan muliggøre hurtigere og mere præcise prognoser for nye husholdninger, men at den høje volatilitet på enkelt-husstandsniveau er en væsentlig udfordring. Perspektiverne omfatter integration i Building Energy Management Systems samt videre arbejde med større datamængder, mere avanceret klyngning og AI-baserede modeller.
[This apstract has been generated with the help of AI directly from the project full text]