Generering av syntetiska lastprofiler för energiförbrukning med hjälp av statistiska och neurala nätverksmodeller

Abstract (Swedish)

I Sverige pågår en elektrifiering av samhället, där transporter, industrier och hushåll i allt större
utsträckning försöker övergå till el som energibärare. Detta är en central del i att nå våra klimatmål,
men ställer samtidigt höga krav på elsystemets kapacitet. För att kunna planera för ett robust och
hållbart elnät krävs en förståelse för hur el används idag. I denna rapport ligger fokus på att förstå
elanvändningsmönster hos villor. Genom att analysera dessa mönster och trender i elanvändningen kan
man bättre förutse framtidens effektbehov.

Ett viktigt verktyg för att analysera elanvändningen är så kallade lastprofiler, där den uppmätta
elförbrukningen per timme plottas över tid. Dessa profiler gör det möjligt att identifiera mönster,
säsongsvariationer och topplaster i elanvändningen. Med hjälp av uppmätt historisk data kan man
även skapa så kallade syntetiska lastprofiler, som är datagenererade tidsserier som efterliknar verkliga
elanvändningsmönster. Syftet med denna rapport var att träna tre olika tidsseriemodeller (SARIMAX,
GRU och Prophet) för att ta fram verktyg, så kallade prediktionsalgoritmer, för att kunna skapa
generella syntetiska lastprofiler för att beskriva villor. Detta gjordes i samarbete med RISE.

Historisk timupplöst rådata för elanvändning för villor från Lomma och Helsingborg tillhandahölls av
RISE och gick först igenom en anpassad datarengöring. Detta var nödvändigt då det upptäcktes att
stora delar av datauppsättningen var felaktig och inte ansågs kunna representera en vanlig villa. Den
data som återstod delades upp i train set och test set (träningsdata och testdata). Train set användes för
att träna de tre modellerna, det vill säga låta dem upptäcka mönster och trender i datauppsättningen.
Denna träning resulterade i prediktionsalgoritmer, två för varje modell (en algoritm var för användare
med eluppvärmning och användare med fjärrvärme). Med hjälp av dessa algoritmer togs syntetiska
lastprofiler fram och testades mot test set. Resultaten jämfördes kvantitativt och visuellt.

Bland de testade modellerna hade Prophet bäst övergripande resultat och användes därför vidare
i ett appliceringsexempel för att undersöka om prediktionsalgoritmerna kunde förutspå skillnader i
elanvändning mellan två år med olika kalla vintrar. Appliceringen fick goda resultat för eluppvärm-
ningsanvändare, och mindre bra resultat för användare med fjärrvärme. Resultaten visar att predik-
tionsalgoritmerna lyckas fånga de huvudsakliga trenderna i elanvändningen på ett tillförlitligt sätt.
Däremot finns vissa förbättringsmöjligheter, till exempel att ha en mindre strikt datarengöring. Den
största utmaningen för metoden var nämligen den mycket låga mängden användbar data. I allmänhet
verkar modellerna mer applicerbara för användare med eluppvärmning än fjärrvärme.

Vidare undersöktes det hur prediktionsalgoritmerna och de syntetiska lastprofilerna kan användas i
praktiken, samt hur framtidens lastprofiler kan tänkas se annorlunda ut på grund av förändrade be-
teenden hos elkonsumenter och ny och utvecklad teknologi. Den viktigaste möjligheten ansågs vara
att använda prediktionsalgoritmerna för att skapa syntetiska lastprofiler som kan användas vid plane-
ringsstadiet av nybyggnationer av villor. Genom att simulera olika scenarion kan man få en bild av
hur elanvändningen och därmed belastningen på elnätet kan tänkas se ut över olika år.

Abstract

This report aims to develop general synthetic load profiles representing electricity consumption in Swe-
dish single-family homes. Based on historical hourly consumption data from Lomma and Helsingborg,
provided by RISE, three models – SARIMAX, GRU, and Prophet – were trained and evaluated. To
enable comparison and future scalability, the data was normalized by each user’s annual consumption.
Among the tested models, Prophet demonstrated the best overall performance in terms of both error
metrics and visual fit to the historical patterns. This work serves as a first step toward understanding
current residential electricity usage and provides a foundation for future analyses that incorporate
factors such as electric vehicle charging, behavioral changes, increased flexibility, and climate impacts.
Despite some limitations, the results show that the model successfully captures key trends in electricity
use and has potential for future scenario modeling. For example, an application of the model shows that
it can predict changes in electricity use based on high or low temperatures. As household electricity
consumption evolves through increased electrification, smart control, and warmer summers, the need
for robust and adaptable load profiles will continue to grow.

• author: Hermansson, Alice
• supervisor: Max Åhman
• organization: Environmental and Energy Systems Studies
• alternative title: Generation of Synthetic Load Profiles for Energy Consumption Using Statistical and Neural Network Models
• course: FMIM01 20251
• year: 2025
• type: H3 - Professional qualifications (4 Years - )
• subject: Technology and Engineering
• keywords: synthetic load profiles, load profiles, energy consumption modelling, sarimax, gru, prophet
• report number: LUTFD2/TFEM—25/5232--SE + (47)
• ISSN: 1102-3651
• language: Swedish
• id: 9199303
• date added to LUP: 2025-06-16 10:36:50
• date last changed: 2025-06-16 10:36:50