Heat Demand Forecasting Models’ Development: Use of Data Mining Tools in SQL Server Analysis Services

This thesis introduces heat demand forecasting models which are generated by using data mining algorithms. The forecast spans one full day and this forecast can be used in regulating heat consumption of buildings. For training the data mining models, two years of heat consumption data from a case building and weather measurement data from Finnish Meteorological Institute are used. The thesis utilizes Microsoft SQL Server Analysis Services data mining tools in generating the data mining models and CRISP-DM process framework to implement the research. Results show that the built models can predict heat demand at best with mean average percentage errors of 3.8% for 24-h profile and 5.9% for full day. A deployment model for integrating the generated data mining models into an existing building energy management system is also discussed.

Työ esittelee tiedonlouhinta-algoritmeihin perustuvia ennustemalleja kiinteistön lämmöntarpeen ennakoimiseksi. Ennusteen aikaikkuna on yksi kokonainen vuorokausi ja ennustetta voi hyödyntää lämmönkulutuksen säätelyssä. Tiedon-louhintamallien opettamiseen käytetään kahden vuoden lämmönkulutusdataa case-kiinteistöstä sekä säätietoja Suomen Ilmatieteen laitokselta. Työ hyödyntää Microsoftin SQL Server Analysis Services -tiedonlouhinnan työkaluja mallien luomiseen sekä CRISP-DM prosessirakennetta tutkimuksen toteutuksessa. Tuloksien perusteella lämmöntarve voidaan ennustaa parhaimmillaan 3,8%:n virheprosentilla (mean average percentage error) 24-tunnin profiilin osalta ja 5,9%:n virheprosentilla kokonaisen päivän osalta. Luotujen mallien integroimista olemassa olevaan kiinteistön energianhallintajärjestelmään käsitellään myös.