🤖 machine learning

Beyond Weather Correlation: A Comparative Study of Static and Temporal Neural Architectures for Fine-Grained Residential Energy Consumption Forecasting in Melbourne, Australia

Deze studie toont aan dat voor het voorspellen van het 5-minuten verbruik in huishoudens in Melbourne, het gebruik van tijdsafhankelijke patronen (via een LSTM-model) aanzienlijk effectiever is dan het gebruik van alleen weergegevens, zelfs bij huishoudens met zonne-energie.

Oorspronkelijke auteurs: Prasad Nimantha Madusanka Ukwatta Hewage, Hao Wu

Gepubliceerd 2026-04-15

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Prasad Nimantha Madusanka Ukwatta Hewage, Hao Wu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoe slimme meters de toekomst van energie voorspellen: Een verhaal over voorspellen, weer en zonne-energie

Stel je voor dat je een weerman bent, maar in plaats van te zeggen of het morgen regent, moet je voorspellen hoeveel stroom een gezin in Melbourne (Australië) over precies 5 minuten gaat gebruiken. Dat klinkt als een onmogelijke taak, toch?

Deze studie van twee onderzoekers, Prasad en Hao, gaat precies daarover. Ze wilden weten: Wat is de beste manier om dit te voorspellen? Moeten we kijken naar het weerbericht van vandaag, of moeten we kijken naar wat het gezin de afgelopen twee uur heeft gedaan?

Om dit uit te zoeken, hebben ze twee verschillende "denk-machines" (neuraal netwerken) getest op twee echte huizen in Melbourne.

De twee huizen en de twee denkers

Huis 3: Een normaal huis dat alleen stroom uit het net trekt.
Huis 4: Een huis met zonnepanelen op het dak.

Ze gebruikten twee soorten "denkers":

De MLP (De Weer-Expert): Deze machine kijkt alleen naar statische gegevens: "Het is 25 graden, er valt wat regen, en het is 14:00 uur." Hij heeft geen idee wat er gisteren of een uur geleden gebeurd is. Hij probeert het weer te raden op basis van het weerbericht.
De LSTM (De Herinnerings-Machine): Deze machine kijkt niet naar het weer, maar naar de geschiedenis. Hij kijkt naar de stroomverbruikstijl van de afgelopen twee uur. Hij "onthoudt" patronen, zoals: "Oh, om 18:00 uur koken ze altijd, dus dan piekt het verbruik."

Het Grote Experiment: Weer vs. Herinnering

De onderzoekers lieten beide machines 14 maanden aan data analyseren. Het resultaat was verbazingwekkend en duidelijk:

1. De Weer-Expert (MLP) faalt bijna volledig.
Voor Huis 3 (zonder zonnepanelen) was de voorspelling van de Weer-Expert zelfs slechter dan een willekeurige gok.

De analogie: Stel je voor dat je probeert te voorspellen of iemand op dit moment thee of koffie drinkt, puur op basis van de temperatuur buiten. Als het 25 graden is, zou je denken: "Misschien drinkt hij ijskoffie." Maar wat als hij juist een hete thee drinkt omdat hij verkouden is? Of wat als hij op dat moment de oven aanzet om een taart te bakken?
Het weer vertelt je niets over de specifieke, chaotische activiteiten van een gezin op een 5-minuten tijdschaal. De machine zag alleen een vlakke lijn en wist niets te voorspellen.

2. De Herinnerings-Machine (LSTM) is een genie.
De LSTM, die alleen keek naar wat er de afgelopen twee uur was gebeurd, had een enorme voorsprong. Hij voorspelde het verbruik met bijna 90% nauwkeurigheid.

De analogie: Deze machine is als een slimme burenman die zegt: "Ik heb de afgelopen twee uur gezien dat de wasmachine draaide, de koelkast open ging en de tv aan ging. Dus over 5 minuten gaan ze waarschijnlijk de oven aanzetten." Hij hoeft het weer niet te kennen; hij kent de routine.

Het mysterie van Huis 4 (Met Zonnepanelen)

Bij Huis 4, met de zonnepanelen, gebeurde er iets interessants. De Weer-Expert (MLP) deed het hier plotseling veel beter dan bij Huis 3.

Waarom? Omdat zonnepanelen heel voorspelbaar zijn. Als de zon schijnt (wat je aan de temperatuur en tijd kunt zien), produceren ze stroom. De machine dacht eigenlijk: "Het is warm en het is middag, dus de panelen werken goed."
De machine voorspelde dus eigenlijk niet het verbruik van het gezin, maar het productie van de panelen. Dat is een valstrik: het lijkt alsof het weer belangrijk is, maar in werkelijkheid was het de zonne-energie die de voorspelling redde.

Wat betekent dit voor de toekomst?

De conclusie is heel simpel: Voor het voorspellen van stroomverbruik op korte termijn (elke 5 minuten), is de geschiedenis veel belangrijker dan het weer.

Voor de slimme netwerken: Om het elektriciteitsnet stabiel te houden, moeten we niet alleen kijken naar weersvoorspellingen. We moeten kijken naar het gedrag van de huishoudens zelf.
Voor jou als consument: Dit betekent dat slimme huizen in de toekomst beter kunnen voorspellen wanneer je apparaten aan gaan, zodat ze batterijen kunnen opladen of uit kunnen schakelen op het juiste moment, zonder dat je er iets van merkt.

Samenvatting in één zin

Als je wilt weten hoeveel stroom een huis over 5 minuten nodig heeft, is het beter om te kijken naar wat ze de afgelopen twee uur hebben gedaan, dan naar het weerbericht van vandaag. De herinnering is krachtiger dan de weersvoorspelling.

Titel

Beyond Weather Correlation: Een vergelijkende studie van statische en temporele neurale architecturen voor fijnkorrelige voorspelling van huishoudelijk energieverbruik in Melbourne, Australië.

1. Probleemstelling

Het paper adresseert de uitdaging van het nauwkeurig voorspellen van het elektriciteitsverbruik van individuele huishoudens op een zeer hoge resolutie (5-minuten intervallen). Dit is cruciaal voor het beheer van slimme netten, vraagresponsprogramma's en de integratie van hernieuwbare energie.

De kernvraag: Bij een voorspellingstijdschaal van 5 minuten, welke informatie is belangrijker: de huidige weersomstandigheden (exogene variabelen) of de onmiddellijk voorgaande geschiedenis van het energieverbruik (temporele autocorrelatie)?
De context: In Australië is de penetratie van zonne-energie (PV) op daken zeer hoog. Traditionele modellen vertrouwen vaak op weergegevens, maar het is onduidelijk of deze voldoende zijn om het stochastische gedrag van individuele huishoudelijke apparaten op korte termijn te voorspellen.

2. Methodologie

De auteurs hebben een empirische vergelijking uitgevoerd tussen twee neurale netwerkarchitecturen, getraind op real-world data van twee huishoudens in Melbourne (Victoria):

Dataset:
- Huis 3: Een standaard woning zonder zonne-energie (alleen netstroom).
- Huis 4: Een woning met een dak-zonnepaneelsysteem (PV).
- Data: 14 maanden aan slimme meterdata (5-minuten intervallen, maart 2023 – april 2024), gekoppeld aan dagelijkse weersobservaties van het Bureau of Meteorology (BOM).
- Aantal samples: >117.000 per huishouden.
Modellen:
1. Multilayer Perceptron (MLP): Een statisch model dat alleen werkt met exogene kenmerken: dagelijkse weergegevens (max. temperatuur, neerslag, temperaturen om 09:00 en 15:00, relatieve vochtigheid) en de tijd van de dag. Het heeft geen toegang tot historische verbruiksdata.
2. Long Short-Term Memory (LSTM): Een recurrente neurale netwerk (RNN) die alleen werkt met de tijdsreeks van het verbruik zelf. Het gebruikt een schuifvenster van 24 stappen (2 uur geschiedenis) om de volgende waarde te voorspellen. Weergegevens zijn bewust uitgesloten om het temporele signaal te isoleren.
Validatie: De datasets zijn chronologisch opgesplitst (80% training, 20% test) om data-lekkage te voorkomen. De prestaties werden gemeten met RMSE, MAE en de Determinatiecoëfficiënt ( $R^2$ ).

3. Belangrijkste Resultaten

De resultaten tonen een scherp contrast tussen de twee benaderingen:

Prestaties op Huis 3 (Zonder PV):
- MLP (Weer): $R^2 = -0,055$ . Dit betekent dat het model slechter presteert dan een simpele voorspelling die het gemiddelde verbruik gebruikt. Dagelijkse weergegevens zijn nutteloos voor 5-minuten voorspellingen omdat ze geen intra-dag variatie kunnen onderscheiden.
- LSTM (Verbruiksgeschiedenis): $R^2 = 0,883$ . Het model verklaart 88,3% van de variantie in het verbruik puur op basis van de afgelopen 2 uur.
- Verschil: Een verbetering van 93,8 procentpunten ten opzichte van het weer-gebaseerde model.
Prestaties op Huis 4 (Met PV):
- MLP (Weer): $R^2 = 0,410$ . Dit is aanzienlijk beter dan bij Huis 3. De auteurs verklaren dit door de "asymmetrie" van zonne-energie: de totale verbruikswaarde is de som van netstroom + zonneopwekking. Omdat zonneopwekking deterministisch is en sterk correleert met weer en tijd, voorspelt het MLP eigenlijk het weer, niet het huishoudelijke gedrag.
- LSTM (Verbruiksgeschiedenis): $R^2 = 0,865$ . Ook hier overtreft de temporele benadering de statische weer-benadering met 45,5 procentpunten.
Visuele Analyse: De MLP-voorspellingen zijn vrijwel plat (volgen het gemiddelde), terwijl de LSTM de pieken en dalen (ochtend/avond) nauwkeurig volgt.

4. Kernbijdragen

Empirisch Bewijs: Dit is de eerste studie die direct MLP en LSTM vergelijkt voor 5-minuten voorspelling in Australië met officiële BOM-weergegevens.
Dominantie van Temporele Autocorrelatie: Het paper bewijst onomstotelijk dat bij een resolutie van 5 minuten de historische verbruiksreeks de belangrijkste voorspeller is, en dat weergegevens op dagelijkse schaal ontoereikend zijn voor het voorspellen van het gedrag van individuele apparaten.
Zonne-energie Asymmetrie: Het documenteert hoe zonne-energie de correlatie tussen weer en verbruik kunstmatig verhoogt, wat kan leiden tot misleidende conclusies als men niet onderscheid maakt tussen netstroom en totale verbruik.
Reproduceerbaarheid: Het biedt een reproduceerbaar protocol en benchmark voor de Zuidelijk Halfrond-gemeenschap, waar dergelijke data vaak ontbreekt.

5. Betekenis en Toekomstperspectief

Slimme Netten: Voor het Australische "5-minute settlement" regime (waarbij afrekening elke 5 minuten gebeurt) is het essentieel om modellen te gebruiken die gebaseerd zijn op verbruiksgeschiedenis (zoals LSTM) in plaats van alleen weer. Dit maakt nauwkeurige voorspellingen mogelijk voor batterijbeheer, vraagrespons en het optimaliseren van zelfconsumptie.
Beperkingen: De studie gebruikt dagelijkse weergegevens (geen uurlijkse), mist directe zonne-irradiatie data (BOM heeft geen zonneschijn-data voor deze periode) en is beperkt tot twee huishoudens.
Toekomstig Onderzoek (PhD-roadmap): De auteurs stellen voor om hybride modellen te ontwikkelen (LSTM + weer), Transformer-architecturen te testen, en federated learning toe te passen om privacy te waarborgen bij het trainen op data van meerdere huishoudens.

Conclusie: Voor fijnkorrelige (5-minuten) voorspelling van huishoudelijk energieverbruik is de "temporele geheugen" van het verbruik zelf veruit superieur aan statische weergegevens. Weergegevens spelen slechts een rol als proxy voor zonne-energieopwekking, maar vangen het stochastische gedrag van huishoudelijke apparaten niet.