dc.contributor.advisor | | |
dc.contributor.author | Evensen, Kristin Høisveen | |
dc.contributor.author | Mathisen, Elena | |
dc.date.accessioned | 2024-06-29T16:10:29Z | |
dc.date.available | 2024-06-29T16:10:29Z | |
dc.date.issued | 2024 | |
dc.identifier | no.inn:inspera:222954099:229286357 | |
dc.identifier.uri | https://hdl.handle.net/11250/3136908 | |
dc.description.abstract | Dagens moderne verden er avhengig av elektrisitet for en rekke formål, både private husholdninger og
industri. Samfunnet vårt er preget av raske og kontinuerlige endringer, dette inkluderer blant annet nye
og kraftige teknologier i norsk industri, som vil kreve langt mer kraft enn hva vi har tilgjengelig i dag.
Dette kan føre til et kraftunderskudd i Norge allerede i 2027. Man ser også et behov for overgang til
nye metoder innen fornybar energi, som vil øke variabiliteten av tilgjengelig kraft. Dette betyr at Norge
er avhengig av å utnytte de ressursene vi har tilgjengelig på en mer effektiv måte.
Maskinlæring er en teknologi som gjør det mulig å navigere i store og komplekse datamengder.
Maskinlæring har blant annet evnen til å forbedre prediksjoner gjennom datamaskinens evne til å lære
og forbedre seg, ved hjelp av erfaring eller historisk data.
Etter å ha dannet et teoretisk grunnlag for studien gjennomførte vi en kvantitativ studie med
sekundærdata fra tre ulike kilder. Vi benyttet historisk forbruksdata mottatt fra et strømselskap, samt
historisk strømpris fra Forbrukerrådet og historiske værforhold fra Norsk klimaservicesenter. Studien
ble utført med historisk data begrenset til en region i Innlandet.
Formålet med denne masteroppgaven var å vurdere om man kan predikere strømforbruk hos norske husholdninger ved hjelp av maskinlæring. Seks ulike maskinlæringsmodeller har blitt studert for å kunne si noe om dette. De ulike forklaringsvariablene ble også testet og vurdert for å se om de kunne forbedre produksjonsevnen til modellene. Resultatene av prediksjonene ble presentert via
visualiseringer og nøyaktighetsmålinger, i tillegg til at det ble predikert for ulike tidshorisonter for å kartlegge modellenes stabilitet.
Det var to maskinlæringsmodeller som utmerket seg i denne studien; LASSO og Gradient Boosting, hvor
LASSO var den mest stabile over tid. | |
dc.description.abstract | In today's modern world, electricity is indispensable for a multitude of purposes, including both private
households and industry. Our society is characterized by rapid and continuous changes, including the
emergence of new and powerful technologies within the Norwegian industrial sector, which are
anticipated to demand significantly more power than currently available. This scenario could lead to a
power deficit in Norway as early as 2027. Additionally, there is a shift towards new methods in renewable energy, which will increase the variability of available power. Consequently, Norway must
handle its resources more efficiently.
Machine learning is a technology that facilitates navigation through large and complex data sets.
Among other capabilities, machine learning enhances predictions through the computer's ability to
learn and improve from experience or historical data.
After establishing a theoretical foundation for the study, a quantitative analysis was conducted using
secondary data from three distinct sources. The research utilized historical consumption data received
from an electricity company, along with historical electricity prices from “Forbrukerrådet” and historical
weather conditions from the Norwegian Climate Services Center. The study was carried out using
historical data limited to a smaller region in Innlandet, Norway.
The objective of this thesis was to assess the possibility of predicting electricity consumption in Norwegian households using machine learning. Six different machine learning models were examined to explore this capability. Various explanatory variables were also tested and employed in the predictions to enhance predictive accuracy. The outcomes of the predictions were presented through visualizations and accuracy measurements, and predictions were made over different time horizons to assess the stability of the models.
Two machine learning models distinguished themselves in this study: LASSO and Gradient Boosting,
with LASSO proving to be the most stable over time. | |
dc.language | nob | |
dc.publisher | Inland Norway University | |
dc.title | Prediksjon av strømforbruk for private husholdninger: En sammenligning av maskinlæringsmodeller | |
dc.type | Master thesis | |