Virtual Power Plants (VPPs) are an emerging form of technology that allows owners of electricity producing appliances, such as electric vehicles, to partake in a pool of producers of sustainable energy. The Swedish electricity grid owner Svenska Kraftnät hosts a platform where VPPs act as intermediaries between energy producing customers and third party buyers. A requirement to participate in these transactions, however, is to post a bid specifying the amount of power that can be produced from a VPP during a given hour at least 48 hours into the future. This is where forecasting comes into the picture. This report compares the accuracy of eight different machine learning models when tasked with forecasting power output using the same training data from an electric vehicle-based VPP. The study also examines which inferences about customer behavior can be drawn from the same data and give strategic recommendations to VPPs based on the findings of the study. Upon evaluating the results, it was found that deep learning models outperformed autoregressive models, which in turn outperformed Random Forest Regression and Support Vector Regression. As for customer behaviors found in the data, a small negative correlation between spot prices and delivered output was found, suggesting that customers limit their charging when spot prices are high. Further, more power is generally produced during nighttime and on weekends. The data also shows an autocorrelation with a lag of 24 hours, suggesting that charging behaviors on a given day influence charging behaviors the subsequent day. / Virtuella kraftverk (VPPs) är en framväxande form av teknologi som tillåter ägare av elproducerande enheter, till exempel elbilar, att delta i ett nätverk av producenter av hållbar energi. Den svenska elnätsägaren Svenska Kraftnät driver en plattform där VPPs agerar mellanhänder mellan energiproducerande kunder och tredjepartsköpare. Ett krav för att delta i budgivningen är dock att som VPP kunna lägga ett bud som specificerar hur stor effekt som kan produceras under en viss timme, minst 48 timmar i framtiden. Här kommer prognoser in i bilden. Denna rapport jämför precisionen för åtta olika maskininlärningsmodeller som har i uppgift att predicera effektproduktion med hjälp av samma data från ett elbilsbaserat VPP. Denna studie undersöker också vilka slutsatser som kan dras angående kundbeteenden från given data och ger strategiska rekommendationer baserat på studiens resultat. Efter utvärdering av resultaten kunde det konstateras att Deep Learning-modeller överträffade autoregressiva modeller, som i sin tur överträffade Random Forest Regression och Support Vector Regression. Vad gäller kundbeteenden i given data, kan sägas att en låg negativ korrelation fanns mellan spotpriser och effektproduktion, vilket tyder på att kunder begränsar laddning av elbilar när spotpriserna är höga. Vidare kan sägas att mer effekt generellt sett produceras på kvällar och helger. Studiens data visar också på en autokorrelation med en eftersläpning (lag) på 24 timmar, vilket tyder på att laddningsmönster under en given dag influerar laddningsmönster under nästkommande dag.

No description available.

No description available.

The interest in modeling non-maturing deposits has skyrocketed ever since thefinancial crisis 2008. Not only from a regulatory and legislative perspective,but also from an investment and funding perspective.Modeling of non-maturing deposits is a very broad subject. In this thesis someof the topics within the subject are investigated, where the greatest focus inon the modeling of the deposit volumes. The main objective is to providethe bank with an analysis of the majority of the topics that needs to be cov-ered when modeling non-maturing deposits. This includes short-rate model-ing using Vasicek’s model, deposit rate modeling using a regression approachand a method proposed by Jarrow and Van Deventer, volume modeling usingSARIMA, SARIMAX and a general additive model, a static replicating port-folio based on Maes and Timmerman’s to model the behaviour of the depositaccounts and finally a liquidity risk model that was suggested by Kalkbrenerand Willing. All of these models have been applied on three different accounttypes: private transaction accounts, savings accounts and corporate savingsaccounts.The results are that, due to the current market, the static replicating portfoliodoes not achieve the desired results. Furthermore, the best volume model forthe data provided is a SARIMA model, meaning the effect of the exogenousvariables are seemingly already embedded in the lagged volume. Finally, theliquidity risk results are plausible and thus deemed satisfactory. / Intresset för att modellera inlåningsvolymer utan en kontrakterad förfallodaghar ökat markant sedan finanskrisen 2008. Inte bara sett utifrån ett perspek-tiv att uppfylla krav som ställs av tillsynsmyndigheter, men också sett utifrånbankens investerings-och finansieringsperspektiv.Målet med det här arbetet är att förse banken med en analys av majoritetenav de olika områdena som man behöver ta hänsyn till när man ska model-lera inlåningar utan förfallodatum, men med ett fokus på volymmodellering.I den här rapporten modelleras räntor (kortränta och kontoränta), kontovoly-merna, kontobeteendet samt likviditetsrisken. Detta görs med hjälp av Vasicekför korträntan, en regressionsmetod samt en metod som föreslagits av Jarrowoch Van Deventer för kontoräntan, SARIMA, SARIMAX och en generell ad-ditiv regressionsmetod för volymerna, en statisk replikeringsportfölj baseradpå Maes och Timmermans modell för att imitera kontona och slutligen så mo-delleras likviditetsrisken med ett ramverk som föreslagits av Kalkbrener ochWilling. Alla dessa nämnda modeller appliceras, där det är möjligt, på de treolika kontotyperna: privatkonton, sparkonton samt företagssparkonto.Resultatet är att räntemodelleringen samt replikeringsportföljen inte ger ade-kvata resultat på grund av den rådande marknaden. Vidare så ger en SARIMA-modell den bästa prediktionen, vilket gör att slutsatsen är att andra exogenavariabler redan är inneslutna i den fördröjda volymvariabeln. Avslutningsvisså ger likviditetsmodellen tillfredsställande resultat och antas vara rimlig.

Accurate estimation of the load weight of freight trains is crucial for ensuring safe, efficient and sustainable rail freight transports. Traditional methods for estimating load weight often suffer from limitations in accuracy and efficiency. In recent years, machine learning algorithms have gained significant attention and use cases within the railway industry due to their strong predictive capabilities for classification and regression tasks. This study aims to present a proof of concept in the form of a comparative analysis of five machine learning regression algorithms: Polynomial Regression, K-Nearest Neighbors, Regression Trees, Random Forest Regression, and Support Vector Regression for estimating the load weight of freight trains using simulation data. The study utilizes two comprehensive datasets derived from train simulations in GENSYS, a simulation software for modeling rail vehicles. The datasets encompasses various driving condition factors such as train speed, track conditions and running gear configurations. The algorithms are trained and evaluated on these datasets and their performance is evaluated based on the root mean squared error and R2 metrics. Results from the experiments demonstrate that all five machine learning algorithms show promising performance for estimating the load weight. Polynomial regression achieves the best result for both of the datasets when using many features of the datasets are considered. Random forest regression achieves the best result for both of the data sets when a small number features of the datasets are considered. Furthermore, it is suggested that the methodical approach of this study is examined on real world data from operating freight trains to assert the proof of concept in a real world setting. / Noggrann uppskattning av godstågens lastvikt är avgörande för att säkerställa säkra, effektiva och hållbara godstransporter via järnväg. Traditionella metoder för att uppskatta lastvikt lider ofta av begränsningar i noggrannhet och effektivitet. Under de senaste åren har maskininlärningsalgoritmer fått betydande uppmärksamhet och användningsfall inom järnvägsindustrin på grund av deras starka prediktiva förmåga för klassificerings- och regressionsproblem. Denna studie syftar till att presentera en proof of concept i form av en jämförande analys av fem maskininlärningalgoritmer för regression: Polynom regression, K-Nearest Neighbors, Regression träd, Random Forest Regression och Support Vector Regression för att uppskatta lastvikten för godståg med hjälp av simuleringsdata. Studien använder två omfattande dataset konstruerade från tågsimuleringar i GENSYS, en simuleringsprogramvara för modellering av järnvägsfordon. Dataseten omfattar olika körfaktorer såsom tåghastighet, spårförhållanden och vagns konfigurationer. Algoritmerna tränas och utvärderas på dessa dataset och deras prestanda utvärderas baserat på root mean squared error och R2 måtten. Resultat från experimenten visar att alla fem maskininlärningsalgoritmerna visar lovande prestanda för att uppskatta lastvikten. Polynom regression uppnår det bästa resultatet för båda dataset när många variabler i datan beaktas. Random Forest Regression ger det bästa resultatet för båda dataset när ett mindre antal variabler i datan beaktas. Det föreslås det att det metodiska tillvägagångssättet för denna studie undersöks på verklig data från aktiva godståg för att fastställa en proof of concept på en verklig världsbild.

Efterfrågan på bostadsrätter i Stockholm har under de senaste åren varit hög och priserna svänger ständigt. Idag är många överens om att ‘läget’ är en av de viktigaste parametrarna i värderingen av en bostadsrätt men vad ‘läget’ egentligen innebär är inte lika självklart. Denna studie har syftet att undersöka potentiella samband mellan ett läges attraktivitet och antal Points of Interest i en bostadsrätts närområde. Studien avser att besvara vilka parametrar som har stärst inverkan på ett bostadsområdes attraktionskraft. Points of Interest utgörs av bland annat postnummer, antal restauranger och antal hotell inom en kilometers radie från respektive bostadsrätt. Studiens utförande baseras på antagandet att försäljningspriser kan representera betalningsviljan och därigenom attraktionskraften. Utförandet baseras på maskininlärning, där modellen Random Forest Regression implementeras för att utföra en kvantitativ dataanalys på sålda bostadsrätter i Stockholm. Modellen kan estimera försäljningspris med en noggrannhet på 85,1% och resultatet redovisar Points of Interest påverkan på det estimerade försäljningspris, i förhållande till varandra. Den parameter som har störst inverkan på försäljningspriset var postnumret. Postnumret följs av kommunikationer och uteliv. Detta utfall diskuteras bero på att postnumret indirekt representerar icke-kvantitativa parametrar som allmän uppfattning om området. Kommunikationer och uteliv skapar ett ’levande’ område. Utifrån studiens resultat drogs slutsatsen att den största påverkande faktorn för ett läges attraktionskraft är den allmänna uppfattningen om närområdet, snarare än tillgänglighet till Points of Interest. / The demand on co-operative apartments in Stockholm have during the latest years been high and the prices are continuously fluctuating. Today, many agree on that the ‘location’ is one of the most important aspects in valuation of co-operative apartments but what ‘location’ actually means is not as obvious. This thesis has the purpose of exploring potential connections between a location’s attractiveness and the amount of Points of Interest in a co-operative apartment’s close proximity. The study seeks to explain which features that affects a community’s attractiveness the most. Points of Interest includes, among others, postal code, number of restaurants and number of hotels within a radius of one kilometer from each individual cooperative apartment. The study’s performance is based on the presumption that sales prices can represent willingness to pay and thereby represent attractiveness. The performance is based on machine learning, where the model Random Forest Regression is implemented to perform a quantitative data analysis on sold co-operative apartments in Stockholm. The model can estimate sales prices with an accuracy of 85.1% and the result presents the Points of Interests’ effect on the estimated sales prices, in relation to each other. The feature which was shown to have the highest effect on the estimated sales price was the postal code. It is discussed that this outcome is due to the postal code indirectly represent non-quantitative features such as the general perception of the area. The second and third most important features is showed to be public transport and nightlife. From the study it was concluded that the most important feature for the attractiveness of a location is the general perception of that area rather than the accessibility to Points of Interest.

<p>A wide range of optoelectronic applications demand semiconductors optimized for purpose.</p> <p>My research focused on data-driven identification of ABX3 Halide perovskite compositions for optimum photovoltaic absorption in solar cells.</p> <p>I trained machine learning models on previously reported datasets of halide perovskite band gaps based on first principles computations performed at different fidelities.</p> <p>Using these, I identified mixtures of candidate constituents at the A, B or X sites of the perovskite supercell which leveraged how mixed perovskite band gaps deviate from the linear interpolations predicted by Vegard's law of mixing to obtain a selection of stable perovskites with band gaps in the ideal range of 1 to 2 eV for visible light spectrum absorption.</p> <p>These models predict the perovskite band gap using the composition and inherent elemental properties as descriptors.</p> <p>This enables accurate, high fidelity prediction and screening of the much larger chemical space from which the data samples were drawn.</p> <p><br></p> <p>I utilized a recently published density functional theory (DFT) dataset of more than 1300 perovskite band gaps from four different levels of theory, added to an experimental perovskite band gap dataset of \textasciitilde{}100 points, to train random forest regression (RFR), Gaussian process regression (GPR), and Sure Independence Screening and Sparsifying Operator (SISSO) regression models, with data fidelity added as one-hot encoded features.</p> <p>I found that RFR yields the best model with a band gap root mean square error of 0.12 eV on the total dataset and 0.15 eV on the experimental points.</p> <p>SISSO provided compound features and functions for direct prediction of band gap, but errors were larger than from RFR and GPR.</p> <p>Additional insights gained from Pearson correlation and Shapley additive explanation (SHAP) analysis of learned descriptors suggest the RFR models performed best because of (a) their focus on identifying and capturing relevant feature interactions and (b) their flexibility to represent nonlinear relationships between such interactions and the band gap.</p> <p>The best model was deployed for predicting experimental band gap of 37785 hypothetical compounds.</p> <p>Based on this, we identified 1251 stable compounds with band gap predicted to be between 1 and 2 eV at experimental accuracy, successfully narrowing the candidates to about 3% of the screened compositions.</p>