Predictive Model of Energy Consumption Using Machine Learning: A Case Study of Residential Buildings in South Africa
Notice bibliographique
Résumé
The recurrent load shedding crisis in South Africa has highlighted the need to accurately predict electricity consumption for residential buildings. This has significant ramifications for daily life and economic productivity. To address this challenge, this study leverages machine learning models to predict the hourly energy consumption of residential buildings in South Africa. This study evaluates the performance of various regression techniques, including Random Forest (RF), Decision Tree (DT), Extreme Gradient Boosting (XGBoost), and Adaptive Boosting (AdaBoost) machine learning models, using a national residential dataset that contains measurements collected every hour. The objective is to determine the most effective models for predicting next-hour residential building consumption. These models use historical patterns of energy usage to capture temporal details such as seasonal variations and rolling averages. Feature engineering methods are further employed to enhance their predictive capabilities. The performance of each individual model was evaluated using criteria such as the mean squared error (MSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and coefficient of determination (R2). The results show that both RF and DT achieve the best accuracy for the prediction of residential electricity consumption (because the MSE, MAE, and MAPE for RF and DT are very close to 0). These findings offer actionable insights for households, businesses, and policymakers. By enabling more accurate and granular energy consumption forecasts, this can mitigate the effects of load shedding. This study contributes to the discourse on sustainable energy management by combining advanced machine learning models with real-world energy challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».