I kvällstidningen Aftonbladet har det under flera år publicerats artiklar med långtidsprognoser för sommaren. För prognoserna står en tysk man vid namn Wolfgang Röder, som tidigare arbetat på meteorologiska institutionen vid Freie Universität i Berlin. Röders metod att ställa långtidsprognoser är hemlig, men han har avslöjat för Aftonbladet att han bl.a. studerar vädret under våren och jämför med statistik från tidigare år. Han gör dessutom en rad påståenden om aprilvädrets påverkan på sommarvädret, framförallt juli månad. Syftet med undersökningen var att ta reda på hur pass bra Röders lång- tidsprognoser är med det verkliga utfallet och utifall hans påståenden om april- vädrets påverkan på sommarvädret stämmer. I denna undersökning granskades Röders prognoser för Östra Svealand, med Stockholm-Bromma som represente- rande mätstation. För att bedömma Röders prognoser antogs månadsmedeltemperaturerna föl- ja en normalfördelning under en 30-årsperiod. I och med normalfördelningsan- tagandet kunde en standardavvikelse ifrån temperaturmedelvärdet för en viss månad beräknas. Med hjälp av sannolikhetstabeller för standardiserad normal- fördelning beräknades sedan avvikelseintervall från månadsmedelvärdet, vilka delades in i fem klasser: “Mycket kallt”, “kallt”, “normalt”, “varmt” och “myc- ket varmt”. Denna indelning skulle göra det enkelt att avgöra om Röder haft rätt eller fel. Vidare undersöktes också korrelation mellan aprils månadsme- deltemperatur och julis månadsmedeltemperatur samt julinederbörd under en 49-årsperiod. Det gjordes även detaljstudier av somrar som följt av varma re- spektive kalla aprilmånader. Detta för att eventuellt kunna urskilja ett mönster beroende på vädret i april. Resultatet blev inte särskilt tillfredställande. Med gällande klassindelning fick Röder endast rätt vid 10 tillfällen av 33, vilket ger en tillförlitlighet på cirka 30%. Hans påståenden om aprilvädrets påverkan på sommarvädret kunde inte heller styrkas. Korrelationskoefficienterna mellan aprils månadsmedeltem- peratur och julis månadsmedeltemperatur samt julinederbörd hamnade på 0.11 respektive 0.015, vilket är mycket lågt. Ur detaljstudien av ett antal somrar som följt av kall respektive varm april, kunde heller inga tydliga mönster urskiljas. Sammansfattningsvis visade undersökningen att det praktiskt taget är omöjligt för Röder att ställa en långtidsprognos för sommaren. Det går lika bra att singla slant!

Accurate long-term energy consumption forecasting of industrial entities is of interest to distribution companies as it can potentially help reduce their churn and offer support in decision making when hedging. This thesis work presents different methods to forecast the energy consumption for industrial entities over a long time prediction horizon of 1 year. Notably, it includes experimentations with two variants of the Recurrent Neural Networks, namely Gated Recurrent Unit (GRU) and Long-Short-Term-Memory (LSTM). Their performance is compared against traditional approaches namely Multiple Linear Regression (MLR) and Seasonal Autoregressive Integrated Moving Average (SARIMA). Further on, the investigation focuses on tailoring the Recurrent Neural Network model to improve the performance. The experiments focus on the impact of different model architectures. Secondly, it focuses on testing the effect of time-related feature selection as an additional input to the Recurrent Neural Network (RNN) networks. Specifically, it explored how traditional methods such as Exploratory Data Analysis, Autocorrelation, and Partial Autocorrelation Functions Plots can contribute to the performance of RNN model. The current work shows through an empirical study on three industrial datasets that GRU architecture is a powerful method for the long-term forecasting task which outperforms LSTM on certain scenarios. In comparison to the MLR model, the RNN achieved a reduction in the RMSE between 5% up to to 10%. The most important findings include: (i) GRU architecture outperforms LSTM on industrial energy consumption datasets when compared against a lower number of hidden units. Also, GRU outperforms LSTM on certain datasets, regardless of the choice units number; (ii) RNN variants yield a better accuracy than statistical or regression models; (iii) using ACF and PACF as dicovery tools in the feature selection process is unconclusive and unefficient when aiming for a general model; (iv) using deterministic features (such as day of the year, day of the month) has limited effects on improving the deep learning model’s performance. / Noggranna långsiktiga energiprognosprognoser för industriella enheter är av intresse för distributionsföretag eftersom det potentiellt kan bidra till att minska deras churn och erbjuda stöd i beslutsfattandet vid säkring. Detta avhandlingsarbete presenterar olika metoder för att prognostisera energiförbrukningen för industriella enheter under en lång tids förutsägelsehorisont på 1 år. I synnerhet inkluderar det experiment med två varianter av de återkommande neurala nätverken, nämligen GRU och LSTM. Deras prestanda jämförs med traditionella metoder, nämligen MLR och SARIMA. Vidare fokuserar undersökningen på att skräddarsy modellen för återkommande neurala nätverk för att förbättra prestanda. Experimenten fokuserar på effekterna av olika modellarkitekturer. För det andra fokuserar den på att testa effekten av tidsrelaterat funktionsval som en extra ingång till RNN -nätverk. Specifikt undersökte den hur traditionella metoder som Exploratory Data Analysis, Autocorrelation och Partial Autocorrelation Funtions Plots kan bidra till prestanda för RNN -modellen. Det aktuella arbetet visar genom en empirisk studie av tre industriella datamängder att GRU -arkitektur är en kraftfull metod för den långsiktiga prognosuppgiften som överträffar ac LSTM på vissa scenarier. Jämfört med MLR -modellen uppnådde RNN en minskning av RMSE mellan 5 % upp till 10 %. De viktigaste resultaten inkluderar: (i) GRU -arkitekturen överträffar LSTM på datauppsättningar för industriell energiförbrukning jämfört med ett lägre antal dolda enheter. GRU överträffar också LSTM på vissa datauppsättningar, oavsett antalet valenheter; (ii) RNN -varianter ger bättre noggrannhet än statistiska modeller eller regressionsmodeller; (iii) att använda ACF och PACF som verktyg för upptäckt i funktionsvalsprocessen är otydligt och ineffektivt när man siktar på en allmän modell; (iv) att använda deterministiska funktioner (t.ex. årets dag, månadsdagen) har begränsade effekter på att förbättra djupinlärningsmodellens prestanda.