Design og implementering av et interaktivt webgrensesnitt for prognoser om energiforbruk

Abstract

Prosjektet bruker modeller for prediksjoner av strømforbruket til hushold i London. Det finnes mange algoritmer som en kan bruke i maskinlærings modeller, de vi har valgt å se nærmere på er LSTM, Perceptron, SLP, MLP, beslutningstre og lineær regresjon. Bruk av forskjellige modeller gjør det enklere å sammenligne prediksjoner, og finne ut hvilke som er mest nøyaktig. Målingene av strømforbruk i oppgaven kommer fra smartmetere i london (5566 husstander), mellom 2011 og 2014. Målingene er gjort hver halvtime og måles i kilowattimer. Husene er delt inn i forskjellige demografiske kategorier og grupper, og i dette prosjektet har vi valgt hus i gruppen Career Climbers, som utgjorde den største andelen av husstandene.

Maskinlæring delen av prosjektet er skrevet i python og benytter seg av Tensorflow og Scikit-learn bibliotekene. Python er et populært og moderne programmeringsspråk som er brukervennlig. Python er spesielt mye brukt i maskinlæring prosjekter, da de ofte er iterative.

En webapplikasjon er en applikasjon som kjøres i nettlesere hos brukere, og leveres av servere hvor koden er lastet opp. Python ble også benyttet for å skrive backenden til web applikasjonen, det ga kort vei fra modellene til bruk i applikasjonen. Mer spesifikt ble det skrevet med Flask, som er et mikro-rammeverk for webapplikasjoner i python. Server kommuniserer med klient via API, som er en måte å sende informasjon mellom backend og frontend. Frontend ble skrevet i React.js med html og css. React er et verktøy brukt for å lage brukergrensesnitt og er ikke et rammeverk, men er et JavaScript-bibliotek. For lagring av informasjon ble det skrevet en database basert på SQLite.

The project uses models for predicting the power load for households in London. There exists many algorithms one may use in machine learning models, those that we have chosen to look at closer are LSTM, Perceptron, SLP, MLP, decision tree and linear regression. The use of different models make it easier to compare predictions, and to figure out which is the most precise. The measurements of power consumption come from smartmetes in london (5566 households), between 2011 and 2014. The measurements are taken every halfhour and are measured in kilowatt-hour. The houses are separated into different demographic categories and groups, and in this project we have chosen houses from the group Career Climbers, which made up the greatest portion og the households.

The machine learning part of the project is written in python and makes use of the Tensorflow and Scikit.learn libraries. Python is a popular and modern programming language that is user-friendly. Python is especially common in machine learning projects, whereas they are often iterative.

A web application is an application run in web browsers by users, and provided by servers where the code is uploaded. Python is also used to write the backend for the web application, this made the the process from developing models to integrating them on the website seamless. More specifically it was written in Flask, which is a micro-framework for web applications in python. The server communicates with the client through API, which is a way to send information between backend and frontend. The frontend was written in React.js with html and css. React is a tool used to make user interfaces and is not a framework, but is a JavaScript library. For storing of information a database was written based on SQLite.