Design og implementering av et interaktivt webgrensesnitt for prognoser om energiforbruk

• Main Authors: Havstad, Daniel, Vo, Danny, Mohr, Sindre Reidar
• Format: Dissertation
• Language: Norwegian

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.