Electricity Consumption Prediction System Based On Deep Learning.

Abstract

Abstract Electricity consumption forecasting is essential for improving building energy management, reducing operational costs, and detecting unusual consumption behavior. This project presents a deep learning approach for multi-building electricity forecasting and abnormal consumption increase detection using the Building Data Genome Project 2 dataset. The proposed system uses historical electricity readings, temporal features, weather data, building metadata, lag features, and rolling statistical features to predict future electricity consumption. A Gated Recurrent Unit (GRU) neural network is employed due to its effectiveness in modeling sequential time-series data. Building embeddings are integrated to capture differences between buildings while training a unified forecasting model. The dataset is divided chronologically into training, validation, and testing sets to ensure a realistic forecasting process. Model performance is evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and R-squared (R²). In addition to forecasting, the project implements abnormal consumption detection using rolling baseline analysis and forecast residual analysis. These methods identify sudden increases in electricity usage by comparing actual consumption with historical patterns and model predictions. The results demonstrate the effectiveness of deep learning for multi-building electricity forecasting and abnormal increase detection, providing a practical framework for intelligent energy monitoring and data-driven energy management. Résumé La prévision de la consommation électrique est essentielle pour améliorer la gestion énergétique des bâtiments, réduire les coûts opérationnels et détecter les comportements de consommation inhabituels. Ce projet présente une approche basée sur l’apprentissage profond pour la prévision de la consommation électrique multi-bâtiments et la détection des augmentations anormales de consommation en utilisant le dataset Building Data Genome Project 2. Le système proposé utilise les relevés historiques de consommation électrique, les caractéristiques temporelles, les données météorologiques, les métadonnées des bâtiments, ainsi que les variables de retard et les caractéristiques statistiques glissantes afin de prédire la consommation électrique future. Un réseau de neurones de type Gated Recurrent Unit (GRU) est employé grâce à son efficacité dans la modélisation des séries temporelles séquentielles. Des embeddings spécifiques aux bâtiments sont intégrés pour permettre au modèle de capturer les différences entre les bâtiments tout en entraînant un modèle unique partagé. Le dataset est divisé chronologiquement en ensembles d’entraînement, de validation et de test afin de garantir un scénario de prévision réaliste. Les performances du modèle sont évaluées à l’aide des métriques standards : Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) et le coefficient de détermination (R²). En plus de la prévision, le projet met en oeuvre une détection des consommations anormales à l’aide de l’analyse par baseline glissante et de l’analyse des résidus de prévision. Ces méthodes permettent d’identifier les augmentations soudaines de consommation électrique en comparant la consommation réelle aux comportements historiques et aux prédictions du modèle. Les résultats démontrent l’efficacité de l’apprentissage profond pour la prévision de la consommation électrique multi-bâtiments et la détection des augmentations anormales, offrant ainsi un cadre pratique pour la surveillance intelligente de l’énergie et la prise de décision basée sur les données. ملخص يُعد التنبؤ باستهلاك الكهرباء من المهام الأساسية لتحسين إدارة الطاقة في المباني، وتقليل التكاليف التشغيلية والكشف عن سلوكيات الاستهلاك غير الطبيعية . يقدم هذا المشروع مقاربة تعتمد على التعلم العميق للتنبؤ باستهلاك الكهرباء في عدة مبا ن والكشف عن الزيادات غير الطبيعية في الاستهلاك باستخدام مجموعة بيانات Building Data Genome Project 2. يعتمد النظام المقترح على قراءات استهلاك الكهرباء التاريخية، والخصائص الزمنية، وبيانات الطقس، وبيانات المباني، بالإضافة إلى خصائص التأخير والخصائص الإحصائية المتحركة، من أجل التنبؤ بالاستهلاك الكهربائي المستقبلي . تم استخدام شبكة عصبية من نوع Gated Recurrent Unit (GRU) نظر ا لقدرتها العالية على نمذجة بيانات السلاسل الزمنية المتتابعة . كما تم دمج تمثيلات خاصة بالمباني (Embeddings) لتمكين النموذج من تعلم الفروقات بين المباني مع الحفاظ على نموذج موحد للتنبؤ . وتم تقسيم مجموعة البيانات زمني ا إلى مجموعات تدريب وتحقق واختبار لضمان محاكاة واقعية لعملية التنبؤ . تم تقييم أداء النموذج باستخدام معايير التقييم القياسية، وهي : متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R²). بالإضافة إلى التنبؤ، يقوم المشروع بتنفيذ نظام لاكتشاف الزيادات غير الطبيعية في الاستهلاك باستخدام طريقتين : طريقة خط الأساس المتحرك، وطريقة تحليل بقايا التنبؤ . تساعد هذه الطرق على اكتشاف الارتفاعات المفاجئة في استهلاك الكهرباء من خلال مقارنة الاستهلاك الفعلي بالأنماط التاريخية وتوقعات النموذج . تُظهر نتائج هذا المشروع فعالية التعلم العميق في التنبؤ باستهلاك الكهرباء لعدة مبا ن والكشف عن الزيادات غير الطبيعية، مما يوفر إطار ا عملي ا للمراقبة الذكية للطاق ة ودعم اتخا ذ القرارات المبنية على البيانات في إدارة الطاقة