Sähkönkulutuksen ennustaminen Suomessa koneoppimismalleilla

Abstract

Tämän opinnäytetyön tavoitteena oli selvittää, miten koneoppimista voidaan hyödyntää Suomen tuntikohtaisen sähkönkulutuksen ennustamisessa. Työ tehtiin Jyväskylän ammattikorkeakoululle, ja sen tarkoituksena oli tuottaa selkeä ja opetuksessa hyödynnettävä esimerkki kokonaisesta data-analytiikan mallinnusprosessista. Aineistona käytettiin Fingridin avointa kulutusdataa, johon lisättiin mallinnusta tukevia ajallisia ja tilastollisia piirteitä.

Työssä vertailtiin kolmea yleisesti käytettyä koneoppimismallia: Random Forestia, XGBoostia ja LightGBMiä. Mallien toimivuutta arvioitiin vertaamalla niiden ennusteita todellisiin kulutusarvoihin sekä yksinkertaiseen vertailumenetelmään, joka perustui edellisen tunnin kulutukseen. Tulosten perusteella XGBoost osoittautui tarkimmaksi lyhyen aikavälin ennustamisessa.

Opinnäytetyön lopputuloksena syntyi selkeä ja vaiheittain etenevä kokonaisuus, joka kattaa datan esikäsittelyn, mallien rakentamisen, vertailun ja ennusteiden tulkinnan. Työtä voidaan hyödyntää Jyväskylän ammattikorkeakoulun tulevilla data-analytiikan ja tekoälyn opintojaksoilla harjoitustehtävien ja opetusmateriaalien pohjana.