Pokročilé systémy umělých neuronových sítí umožňují predikovat chování spotřeby tepla. V dnešní době nacházejí systémy hlubokého učení a další formy umělé inteligence široké uplatnění v různých oborech lidské činnosti. ORTEP se výzkumu strojového učení pro účely modelování spotřeby tepla věnuje již déle než 2 desetiletí.

Model spotřeby založený na neuronových sítích řeší také dlouhodobou adaptaci na změny chování spotřeby. Tento model je nedílnou součástí produktu DYMOS a lze ho také volitelně využít spolu s nástrojem MOP. V rámci DYMOS je tento model spotřeby navíc doplněn o velmi účinný systém krátkodobé adaptace spotřeby.

Pro dosažení uspokojivých výsledků musí být systém učení neuronových sítí doplněn o efektivní systém přípravy učících dat. ORTEP rozvinul vhodnou metodiku a framework softwarových nástrojů pro takovou přípravu dat během výzkumného projektu podpořeného grantem Ministerstva průmyslu a obchodu ČR.

Jako součást tohoto projektu byl vyvinut také software pro zevrubné testování vytvořených neuronových modelů spotřeby tepla a systém stabilizace, který zajišťuje, že neuronové modely spotřeby produkují rozumné hodnoty i v neočekávaných situacích.

Použitý neuronový model spotřeby tepla v sobě zahrnuje i akumulační efekt budov při přechodu z teplejšího na chladnější období a další relevantní vlivy. Na rozdíl od modelů spotřeby založených na tepelném modelu budov je tento neuronový model univerzální a zahrnuje také spotřebu teplé užitkové vody.

Vedle produktů MOP a DYMOS, které obsahují výsledné naučené neuronové sítě pro modelování a predikci spotřeby tepla, ORTEP nabízí také samostatný framework pro přípravu dat a učení a testování neuronových modelů spotřeby tepla, zahrnující jak metodiku, tak licence pro všechny softwarové nástroje frameworku.