Vorhersage des Stromverbrauchs in intelligenten Büros in Abhängigkeit von Witterungsbedingungen unter Verwendung von Deep Learning

Diese Studie untersucht die komplexe Beziehung zwischen dem Stromverbrauch in intelligenten Büroumgebungen, zeitlichen Elementen wie der Zeit und externen Faktoren wie den Wetterbedingungen. Auf Basis eines Datensatzes, der Statistiken zum elektrischen Verbrauch, zeitliche Daten und Wetterbedingungen umfasst, setzt die Forschung Techniken zur Datenvorverarbeitung, Visualisierung und Merkmalsengineering ein. Das prädiktive Modell für den elektrischen Energieverbrauch wird mit Deep-Learning-Architekturen wie Long Short-Term Memory (LSTM), bidirektionalem Long Short-Term Memory (Bi-LSTM), Gated Recurrent Unit (GRU) und bidirektionalem Gated Recurrent Unit (Bi-GRU) erstellt. Bewertungsmetriken zeigen, dass das LSTM-Modell die anderen Modelle übertrifft und die niedrigste mittlere quadratische Abweichung (MSE), Wurzel der mittleren quadratischen Abweichung (RMSE) und mittlere absolute Abweichung (MAE) erreicht. Die Studie erkennt die Einschränkungen des Datensatzes an, insbesondere bei der Vergleich des Stromverbrauchs während und außerhalb der Arbeitszeiten in einem Wohnkontext. Zukünftige Forschung zielt darauf ab, diese Einschränkungen zu beheben, indem detaillierte meteorologische Daten, die Imputation fehlender Daten und Echtzeitanwendungen für eine größere Anwendbarkeit berücksichtigt werden. Das ultimative Ziel ist die Entwicklung eines prädiktiven Modells, das als wertvolles Werkzeug zur Verbesserung des Energiemanagements in intelligenten Büros dient, den Stromverbrauch optimiert und zur langfristigen Rentabilität von Unternehmen beiträgt.