Tiivistelmä. Tutkimuksessa tarkastellaan eri koneoppimismenetelmien toimivuutta kahden rakennuksen sähkönkulutuksesta kerättyjen aikasarjojen arvojen ennustamisessa. Rakennusten sähkönkulutusta on pyritty ennustamaan useissa tutkimuksissa, mutta erityisesti kaupparakennusten sähkönkulutusta on ennustettu vähemmän kuin esimerkiksi toimistorakennusten sähkönkulutusta.

Tutkimuksen aineistona käytettiin kahdesta Oululaisesta ruokakaupasta kerättyä sähkönkulutustietoa vuosilta 2017 ja 2018. Ensimmäisen kaupan aineistoa on kerätty vuoden 2017 toukokuusta vuoden 2018 kesäkuuhun ja toisen kaupan aineiston kerääminen on aloitettu vuoden 2017 lokakuussa ja kerätty vuoden 2018 kesäkuuhun asti. Aineistoa on kerätty yhden minuutin resoluutiolla.

Aineiston ennustekykyä arvioitiin useiden mallien avulla. Valittuja malle ja olivat keinotekoiset neuroverkot, tukivektoriregressio ja ARIMA. Jokaisesta malliperheestä sovitettiin aineistoon useita malleja ja jokaisen sovitetun mallin ennusteen tarkkuutta arvioitiin keskineliövirheen neliöjuurta (RMSE) käyttäen. Jokaisen mallin valintaan käytettiin aikasarjamenetelmiin sopivaa validointitapaa, jossa aineiston alkuosaa käytetään mallin opettamiseen ja loppuosaa mallin tarkkuuden mittaamiseen. Mallinvalinnassa jokaisen mallin hyperparametrit valittiin hilaetsinnän avulla.

Tutkimuksessa selvisi, että kaupan 1 aineistolle parhaiten toimiva malli on tukivektoriregressio ja lisäksi tavalliset eteenpäinsyöttävät neuroverkot toimivat hyvin osassa ennustustapauksista. Kaupassa 2 parhaiten toiminut malli oli myös tukivektoriregressio, mutta toisaalta ARIMA-malli sekä tavalliset eteenpäinsyöttävät neuroverkot toimivat hyvin. Suurin osa mallien ennustusvirheistä molemmissa kaupoissa sijoittuivat välille 8–20 %.