Byggnader med laboratorier är ofta mer utrustningstunga och därmed blir de större förbrukare av energi än vanliga kontorsbyggnader. Med stor mängd utrustning och med utrustning som dessutom kan ha en hög effektförbrukning kommer det stora värmelaster till rummet som behöver kylas bort och detta behov av kyla måste fastställas under projekteringsfasen av ett byggprojekt. En utmaning som man ställs inför vid projektering av kylsystem är att göra en bedömning för hur stora de interna värmelasterna är från den elektroniska utrustningen som finns i rummen. I många fall gör man en bedömning genom att använda schablonvärden för de interna lasterna då det tidigt i projektet inte är fastlagt vad för typ av utrustning som kommer att placeras i rummen och i vilken utsträckning utrustningen kommer att användas. Denna uppskattning av interna värmelaster blir i många fall felaktigt bedömd. Vid projektering av laboratorier är utmaningen ännu större då byggprojekt med laboratorier är få vilket innebär att det finns mindre erfarenhet och kunskap att kunna göra en välgrundad bedömning. Detta leder till att laboratorier i många fall har system för kyla som är överdimensionerade vilket leder till onödigt höga investeringskostnader, ineffektiva installationer och högre driftkostnader. Syftet med detta examensarbete har varit att ge bättre underlag för framtida projekteringar av laboratorier genom att undersöka hur väl utrustningstillverkarnas angivelser för märkeffekten stämmer överens med den verkliga effektförbrukningen. Arbetet har även försökt visa på hur ofta och i vilken omfattning utrustningen används genom att studera en utvald laboratoriebyggnad vid Karolinska Institutet. Detta har gjorts genom att anta att all effekt som utrustningen förbrukar omvandlas till värme och tillförs till rummet. Genom detta antagande har värmeavgivningen kunnat bestämmas genom att mäta och logga elförbrukningen under en veckas tid med hjälp av en eleffektsmätare. I detta arbete gjordes det mätningar på åtta stycken utrustningstyper och resultatet i arbetet visar att användningsdiversiteten för all utrustning som det gjordes mätningar på är 43 %. Delar man upp utrustningen utefter märkeffekt över och under 1000 W blir användningsdiversiteten 4 % för det förstnämnda samt 53 % för det sistnämnda. Ismaskinen och skakinkubator hade 65 % av den totala förbrukningen under mätperioderna och var med det de överlägset största förbrukarna i mätningarna. Av de utrustningar som har intermittent användningsmönster var det de mikrobiologiska säkerhetsbänkarna samt skakinkubatorn som hade mest tid i aktivt läge. Jämför man med mätdata som finns för laboratorieutrustning på Labs21 Wiki-sida hade utrustning med märkeffekt över 1000 W en genomsnittlig användningsdiversitet som var 50 % och utrustning med märkeffekt under 1000 W en genomsnittlig användningsdiversitet som var 74 %. Som slutsatserna i detta arbete visar finns det stort utrymme för en förbättrad och mer precis projektering av ett laboratoriums värmelaster. Med en mer precis projektering kommer det dock nya utmaningar såsom riskhantering om ett system istället blir underdimensionerat och möjligheterna för framtida förändringar av ett laboratoriums utrustningar minskar. Fördelarna med ett mer precist kylsystem är många där det finns stor besparingspotential både ekonomiskt och miljömässigt.

5G is currently being implemented around the world. A way to save resources in 5G could be to have several sector carriers sharing one power source. This requires being able to predict the electrical power of the sector carriers to make sure they do not exceed the capability of the power source. This thesis investigates deep learning for predicting the electrical power of a sector carrier. The chosen deep learning models are Multilayer perceptron (MLP) and Long short-term memory network (LSTM) and they are trained and evaluated on seven generated datasets from a sector carrier in Lund. The study consists of two parts, comparing the predictive performance between MLP and LSTM as well as determining the importance of each input feature on the predictions. It is concluded from the results that the MLP outperforms the LSTM in all datasets and should be the preferred model. The most important input feature for the predictions is by far the number of Resource elements (REs) used per slot. The number of Physical resource blocks (PRBs), modulation, scaling, number of streams and codebook indices have varying importance. The results can be used for guidance when implementing a real time system for which model and which input features to include. More work is required in investigating how the models perform on aggregated data from several sector carriers and determining if the models could feasibly be implemented for real time predictions. / 5G håller på att implementeras runtom i världen. Ett sätt att spara resurser i 5G skulle kunna vara att ha flera sektorbärare dela på en strömkälla. För att implementera detta behöver man kunna förutsäga effekten av sektorbärarna för att försäkra sig om att de inte kommer överstiga den maximala effekten strömkällan tillåter. I denna avhandling undersöks djupinlärning för att förutsäga effekten av en sektorbärare. De använda djupinlärningsmodellerna är Multilayer perceptron (MLP) och Long short-term memory (LSTM) och de tränas och utvärderas på sju stycken olika dataset genererade från en sektorbärare i Lund. Studien är uppdelad i två delar, en del där MLP och LSTM jämförs med hänsyn till deras prediktiva förmåga och en del där varje datavariabel utvärderas till hur viktig den är för modellernas förutsägelser. Från resultaten kunde slutsatsen dras att MLP presterar bättre än LSTM på alla sju dataset och att MLP bör väljas före LSTM. Den viktigaste datavariabeln är antalet resurs element med en signifikant skillnad jämfört med övriga datavariabler. Antalet fysiska resursblock, modulationen, skalningsfaktorn, antalet strömmar och kodboksindex har varierande viktighet. Resultaten kan användas som stöd för implementering av realtid system för att bestämma lämplig model och data. Mer arbete krävs för att undersöka hur modellerna presterar på data som är aggregerat från flera sektorbärare samt undersöka huruvida det är genomförbart att implementera ett realtid system för förutsägelser utifrån beräkningskraft och kostandsanalys.