The building sector in Sweden is responsible for 40 % of the final energy use, and space heating largely contributes to the total energy demand. Minimum energy performance standards and building codes are becoming more strict and comprehensive globally. In the European Union there are substantial goals of achieving a higher energy efficiency in the residential building sector. Energy Performance Certificates (EPCs) are a tool that can be used to track and assess building energy in a standardized way, to follow up on the energy efficiency of buildings. Privately owned single-family houses do not need to have a valid EPC, it is only mandatory to perform an assessment when the house is subject to sale, meaning that only about 20 % of single-family houses in Sweden have an EPC. The objective of the study is therefore to develop a data driven model based on existing EPC data, to estimate the annual space heating energy demand of Swedish single family houses that do not have an EPC. Sub-objectives include testing different data-driven machine learning models to identify which algorithm achieves the highest accuracy. Input features such as floor area, construction year, geographical location and heating source were used to make predictions. The results show that out of the investigated models, the Histogram-GBM performed the best when predicting the space heating energy of an individual house, with a RMSE of 24.33 kWh/m2 /year, MAE of 17.50 kWh/m2 /year, MAPE of 24.62 % and R2 -value of 0.736. When evaluating the results of predictions for the entire single-family housing stock, the errors of each individual house are hidden within the entire housing stock, minimizing the error of the total prediction. The best performing model, Histogram GBM, achieved a MBE of 0.59 kWh/prediction, equivalent to an error smaller than 0.005 %.

I Sverige står byggnadssektorn för 40 % av den slutliga energianvändningen, och uppvärmning av byggnader är en stor andel av den totala energianvändningen. Minimikrav för energiprestanda och byggregler blir globalt allt mer strikta och omfattande. EU har betydande mål att uppnå högre energieffektivitet för alla typer av bostadshus. Energideklarationer (EPC) är ett verktyg som kan användas för att samla in och bedömma energianvändning i byggnader på ett standardiserat sätt, för att kunna följa upp energieffektivisering av byggnader. Till skillnad från andra byggnadstyper behöver privat ägda småhus inte ha en giltig energideklaration, de är endast obligatoriska att utfärda när huset säljs, vilket betyder att bara 20 % av småhus i Sverige har en energideklaration. Syftet med studien är därför att utveckla en datadriven modell baserat på data från existerande energideklarationer, för att estimera den årliga värmeenergianvändningen i svenska småhus som saknar en energideklaration. Syftet är också att testa olika data-drivna maskininlärningsmodeller för att identifiera vilken som uppnår det lägsta felet. I modellerna har indata såsom golvyta, byggår, geografisk plats och värmekälla använts för att göra estimeringar. Resultaten visar att av de undersökta modellerna var Histogram-GBM den bästa för att estimera värmeanvändning, med ett RMSE på 24.33 kWh/m2 /år, MAE på 17.50 kWh/m2 /år, MAPE på 24.62 % och ett R2 -värde på 0.736. Resultaten visar också att när värmeanvändning estimeras för hela beståndet av småhus, minimeras det totala felet när alla kvarvarande fel summeras. Den bästa modellen, Histogram-GBM uppnådde ett MBE på 0.59 kWh/estimering, vilket motsvarar ett fel mindre än 0.005 %.