DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings

要約

建物内のエネルギー予測は、効果的なエネルギー管理において重要な役割を果たします。
グリッド内で最適なエネルギー消費と分配を実現するには、正確な予測が不可欠です。
このペーパーでは、過去のエネルギー データ、占有パターン、気象条件を使用して建物のエネルギー消費を予測するために設計された Long Short-Term Memory (LSTM) モデルを紹介します。
LSTM モデルは、既存の予測モデルと比較して、住宅および商業ビルの正確な短期、中期、および長期のエネルギー予測を提供します。
LSTM モデルを、線形回帰、デシジョン ツリー、ランダム フォレストなどの確立された予測手法と比較します。
心強いことに、提案された LSTM モデルは、すべての指標にわたって優れたパフォーマンスを示しています。
卓越した予測精度を示し、最高の R2 スコア 0.97 と最も良好な平均絶対誤差 (MAE) の 0.007 を誇ります。
私たちが開発したモデルのさらなる利点は、限られたデータセットでトレーニングした場合でも、効率的なエネルギー消費予測を達成できることです。
私たちは、実世界のデータに対する厳密なトレーニングと評価を通じて、過適合 (分散) と過適合 (バイアス) に関する懸念に対処します。
要約すると、私たちの研究は、代替方法よりも優れたパフォーマンスを発揮し、顕著な効率、一般化性、信頼性で動作する堅牢な LSTM モデルを提供することにより、エネルギー予測に貢献します。

要約(オリジナル)

Energy prediction in buildings plays a crucial role in effective energy management. Precise predictions are essential for achieving optimal energy consumption and distribution within the grid. This paper introduces a Long Short-Term Memory (LSTM) model designed to forecast building energy consumption using historical energy data, occupancy patterns, and weather conditions. The LSTM model provides accurate short, medium, and long-term energy predictions for residential and commercial buildings compared to existing prediction models. We compare our LSTM model with established prediction methods, including linear regression, decision trees, and random forest. Encouragingly, the proposed LSTM model emerges as the superior performer across all metrics. It demonstrates exceptional prediction accuracy, boasting the highest R2 score of 0.97 and the most favorable mean absolute error (MAE) of 0.007. An additional advantage of our developed model is its capacity to achieve efficient energy consumption forecasts even when trained on a limited dataset. We address concerns about overfitting (variance) and underfitting (bias) through rigorous training and evaluation on real-world data. In summary, our research contributes to energy prediction by offering a robust LSTM model that outperforms alternative methods and operates with remarkable efficiency, generalizability, and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google