The Weather Research and Forecasting Model was used to study its accuracy and representation in modelling a study area within a complex wind system as well as the effects on the model when using different input data and physics schemes. The complex wind system consists of diurnal mesoscale effects from the nearby Pyrenees mountain range and diurnal effects from the planetary boundary layer. A total of six different simulations were performed. The model was able to represent the study area but the results could be improved as there were inaccuracies in wind speed and wind direction associated with the planetary boundary layer. The model was especially challenged at predicting the wind speed and wind direction in the layer from the top of the planetary boundary layer to few hundred meters above it. The comparisons based on planetary boundary layer height is however complicated by the fact that there are different definitions in effect. The choice of model physics schemes and input data led to some differences in the results and warrants consideration when conducting similar simulations. / Prognosmodellen WRF (Weather Research and Forecasting Model) användes för att undersöka hur väl den kunde representera ett område inom ett komplext vindsystem och även hur modellen påverkas av olika val vad gäller drivningsdata och fysikscheman. Det som utgör det komplexa vindsystemet är dygnsvarierande effekter från det atmosfäriska gränsskiktet och dygnsvarierande mesoskaliga effekter från den närliggande bergskedjan Pyrenéerna. Totalt genomfördes sex olika simuleringar. Prognosmodellen kunde representera området men med förbättringsbara resultat eftersom det fanns fel i vindhastighet och vindriktning relaterande till det atmosfäriska gränsskiktet. Modellen var speciellt utmanad i förutsägandet av vindhastighet och vindriktning i ett lager några hundra meter ovanför det atmosfäriska gränsskiktet. En tolkning baserad på atmosfärisk gränsskiktshöjd är dock svår eftersom det fanns flera definitioner var toppen på det atmosfäriska gränsskiktet låg. Val om prognosmodellens fysikscheman och drivningsdata orsakade en skillnad i resultat sinsemellan. Dessa val bör därför noggrannt uppmärksammas för simuleringar under liknande förutsättningar.

The majority of the existing photovoltaic (PV) systems are dimensioned in such a way that no or only a small part of the production exceeds the buildings internal consumption. This is done because sold electricity to the grid has a lower economic value than if used internally in the building. Therefore commercial buildings, with high consumption during sunny hours, are to prefer when installing PV. Implementing a battery energy storage system in these facilities can lead to higher self consumption of the PV energy and reduced electricity bills. To take full advantage of this potential it requires optimal management of the battery. In this study an optimized battery algorithm was developed to show the full potential a perfectly managed battery can have to reduce cost of electricity within commercial buildings. There are three main charge and discharge patterns for a battery which can reduce the cost on the electricity bill: 1) Charge and discharge at different prices, 2) peak shaving and 3) overproduced PV is stored for later use. By utilizing a battery in an optimal way to reduce the costs as much as possible, batteries will reach break even at battery prices between 1350-2100 SEK/kWh, depending on which scenario evaluated. By implementing forecast based desicion-making, in which the battery operation is optimized with respect to PV and consumption forecasts, the system profitability declines rapidly, especially when using a consumption forecast. A real system would probably profit from basing the battery operation on both forecasts and real time measurements.

Internet of Things(IoT) has in recent years become a topic of broad and current interest. The purpose of this thesis is to anticipate weather conditions by constructing a system for collecting information about atmospheric pressure. The development of the system will solve the following problem: it should be possible to implement a system that allows for the collection of information from sensors through a mobile phone. The problem was solved through an iOS application together with a Micro Controller Unit (MCU) and a sensor. To collect weather data, the BME280, with its atmospheric pressure, temperature and humidity sensor, was used. Bluetooth was chosen for the interaction between the Automat and the iOS application. This proved to be a possible solution to a problem in a growing area of application. An advantage to this hardware solution is the mobility and flexibility of the Automat, making it ideal for mobile IoT solutions. Arduino is, however, the better choice for developers, as it has a larger community and clear documentation. / Internet of Things (IoT) har på senare år blivit ett alltmer omtalat område. Syftet med tesen är att förutspå väderförhållanden genom att konstruera ett IoT system som samlar in information om lufttryck, detta för att besvara frågeställningen: Det bör gå att samla in sensordata med hjälp av mobiltelefon. För att besvara detta följdes Ekholms modell för teknisk forskning och arbetsmetoden Scrum. Frågestallningen löstes genom en iOS applikation med tillhörande Microcontroller Unit(MCU) och sensor. För att samla in väderdata användes sensorn BME280, som har lufttrycks-, temperaturoch luftfuktighetssensorer, tillsammans med MCU:n Automat. För interaktionen mellan Automat och iOS applikationen tillämpades bluetooth-kommunikation. Detta var en möjlig lösning på ett problem i ett växande tillämpningsområde. Fördelar med denna lösning av hårdvara är att den är välanpassad till mobila IoT lösningar tack vare Automats minimala storlek i förhållande till funktionalitet. I många fall är däremot Arduino ett bättre val för utvecklaren, då den har större samfund och tydligare dokumentation.

Deep artificial neural networks is a type of machine learning which can be used to find and utilize patterns in data. One of their many applications is as method for regression analysis. In this thesis deep artificial neural networks were implemented in the application of estimating the error of surface temperature forecasts as produced by a numerical weather prediction model. An ability to estimate the error of forecasts is synonymous with the ability to reduce forecast errors as the estimated error can be offset from the actual forecast. Six years of forecast data from the period 2010--2015 produced by the European Centre for Medium-Range Weather Forecasts' (ECMWF) numerical weather prediction model together with data from fourteen meteorological observational stations were used to train and evaluate error-predicting deep neural networks. The neural networks were able to reduce the forecast errors for all the locations that were tested to a varying extent. The largest reduction in error was by 83.0\% of the original error or a 16.7\degcs decrease in the mean-square error. The performance of the neural networks' error reduction ability was compared with that of a contemporary Kalman filter as implemented by the Swedish Meteorological and Hydrological Institute (SMHI). It was shown that the neural network implementation had superior performance for six out of seven of the evaluated stations where the Kalman filter had marginally better performance at one station.

Smart Clothes refers to clothes that have been embedded with computer devices. Items of the category can be used to inform an individual about his health. The technology can likewise be used to track an individuals surroundings. There are many possible uses for Smart Clothes. This thesis is based on the idea of creating a Smart Clothes item that can create weather forecasts independently. In order to create such system unique problems have to be solved. One major problem to overcome is realizing what a mobile application a mobile application has to do in a Smart Clothes system that predicts weather to the user. This thesis tries to answer the problem by examining how an existing weather forecast model can be implemented into an application to later display a forecast to a user. The study is built on an inductive approach and has a purpose to explore the necessary steps in developing a mobile application that predicts the weather. Presenting an implemented prototype is the purpose of the thesis. As such, the purpose becomes to create a mobile application that implements a weather forecast model and translates the created weather forecast into a UI suited for a mobile application. The weather forecast model should use atmospheric pressure differences to create a weather forecast. The goal of the thesis is to find out how the purpose can be achieved, how a mobile application should behave in order to assure that the Smart Clothes system can create a weather forecast for the user. A partial goal is to understand how atmospheric pressure should be converted into a weather forecast and how the weather forecast should be translated into a UI. The result is presented in the form of a prototype, an iOS application. The created prototype uses atmospheric pressure differences to create a weather forecast. The weather forecast is shown to the user through a intuitive user interface. The prototype is tested through a user-test and is evaluated through a thorough model with criteria. The evaluation shows that the prototype is easy to use and understand. There are in the same time improvements to be done for the future. Proposals have been given for improvements. The user-test has shown that the interest in the prototype is higher in situations where the user lacks internet connectivity. There is thus, a link between the prototype's usability and internet connectivity. In other words, people find the prototype to be of a big benefit as it can be used without Internet connectivity. / ”Smart Clothes” refererar till klädesplagg som har integrerats med dataenheter. Plagg i kategorin kan användas för att informera individen om hans hälsa. Teknologin kan likväl användas för att spåra individens omgivning. Det finns många möjliga användningsområden för Smart Clothes. Den här uppsatsen baseras på idén att skapa en Smart-klädesplagg som kan skapa väderprognoser självständigt. Uppsatsen försöker lösa problemet om vad en mobil applikation måste göra i ett Smart-klädessystem som förutspår väder för användaren. Studien bygger på en induktiv forskningsinsats och syftar på att utforska faktorer runt utvecklingen av en mobilapplikation, som är ansedd att integreras i klädesplagg. Att presentera en skapad prototyp är uppsatsens syfte. Detta ger att syftet blir att skapa en mobil applikation som implementerar en väderprognos-modell och omvandlar den skapade prognosen till ett användargränssnitt som passar en mobil-applikation. Väderprognos-modellen ska kunna konvertera skillnader i lufttryck till en väderprognos. Målet av uppsatsen är att finna hur syftet kan uppfyllas, hur en mobil-applikation ska agera för att säkerställa att Smart-klädessytemet kan skapa en väderprognos för användaren. Ett delmål är att förstå hur lufttryck ska omvandlas till en väderprognos och hur väderprognosen ska omvandlas till att användargränsnitt. I egenskap av resultat presenteras en prototyp iOS mobilapplikation. Den skapade prototypen använder skillnader i lufttryck för att skapa en väderprognos. Väderprognosen visas vidare till användaren genom ett intuitivt användargränssnitt. Prototypen testas genom ett användartest och utvärderas genom en utarbetad modell med kriterier. Evalueringen visar att den skapade prototypen är lätt att använda och förstå. Samtidigt finns fortfarande förbättringar att göra i framtiden. Rapporten ger förslag till förbättringar. Användartest indikerar att intresset att använda produkten är högre i situationer då användaren saknar internetanslutning. Således finns det en länk mellan produktens användbarhet och internetanslutning. Alltså, personer finner att prototypen är av stor nytta för att den kan användas även utan uppkoppling till internet.