Dalarna University's logo and link to the university's website

Att kunna förutse energiförbrukningen är en viktig faktor för att spara energi och minska kostnaderna för elräkningar i varje hushåll. Därför kommer denna studie att undersöka hur meteorologiska faktorer, såsom temperatur, luftfuktighet och vindhastighet påverkar energianvändningen i ett smart hem, som inkluderar vardagsrum, centralvärme, hemmakontor och mikrovågsugn m.m. Genom att använda en datamängd som innehåller insamlat data om ett smart hem samt detaljerad väderinformation från västra Massachusetts, Olika maskininlärningsalgoritmer, Random Forest Regression, Gaussian Naive Bayes och K-Nearest Neighbors Regression, applicerades för att analysera sambanden samt förutse energiförbrukning baserat på väderförhållanden. Bland dessa identifierade Random Forest Regression den mest känsliga apparater och de mest inflytelserika väderparametrarna.

Resultaten visade att de mest påverkade rummen är hemmakontoret och ladugård med det högsta R2 värdet, väderparametrar som har störst inflytande på energiförbrukningen i det analyserade smarta hemmet är daggpunkt, lufttryck och temperatur. Studien visade även att andra apparater och rum är mer känsliga för väderförändringar. Genom att förstå dessa samband kan författarna föreslå bättre strategier för energihantering som baseras på väderförhållanden i den studerade regionen, vilket leder till potentiella kostnadsbesparingar och förbättrad energieffektivitet för liknande smarthem. Denna forskning belyser väderförhållandenas inverkan på energiförbrukningen i ett smart hem som befinner sig i samma region som har analyserats och utgör en grund för mer effektiva smarta hem-system som anpassar sig till förändrade väderförhållanden i västra Massachusetts för en hållbar och kostnadseffektiv energianvändning.  

Being able to predict energy consumption is an important factor in saving energy and reducing the cost of electricity bills in every household. Therefore, this study will analyze how meteorological factors, such as temperature, humidity, and wind speed, affect energy use in a smart home, which includes living room, central heating, home office, and microwave oven, etc. Using a dataset containing collected data of a smart home as well as detailed weather information from western Massachusetts, various machine learning algorithms, Random Forest Regression, Gaussian Naive Bayes, and K-Nearest Neighbors Regression, were applied to analyze the correlations and predict energy consumption based on weather conditions. Out of those, Random Forest Regression identified the most sensitive appliances and the most impactful weather parameters.

The results showed that the most affected rooms are the home office and barn with the highest R2 value, weather parameters that have the greatest influence on energy consumption in the analyzed smart home are dew point, air pressure and temperature. The study also showed that other appliances and rooms are more sensitive to weather changes. By understanding these relationships, the authors can propose better energy management strategies based on weather conditions in the studied region, leading to potential cost savings and improved energy efficiency for similar smart homes. This research highlights the impact of weather conditions on energy consumption in a smart home located in the same region analyzed and provides a basis for more efficient smart home systems that adapt to changing weather conditions in Western Massachusetts, to achieve sustainable and costeffective energy use.