Het realiseren van energiebesparingen in gebouwen is essentieel om de beoogde vermindering van CO2-uitstoot te bereiken. Grootschalige studies naar de kloof tussen het werkelijk en het karakteristiek energiegebruik in gebouwen tonen aan dat de karakteristieke rekenmethode het werkelijk energiegebruik en de daadwerkelijke energiebesparingen overschat. Data-driven stochastische grey-box modellen, gekenmerkt door hun eenvoud en gebruik van lumped fysische parameters, tonen een superieur voorspellend vermogen. De modellen tonen veel potentieel om de betrouwbaarheid te vergroten en de discrepantie tussen bottom-up fysische modellen en het werkelijk energiegebruik te verkleinen. Echter, tot nu, werden grey-box modellen voornamelijk gebruikt voor parameter identificatie, gebouwprestatiekarakterisering en het voorspellen van werkelijk energiegebruik. Dit onderzoek streeft ernaar de mogelijkheden van grey-box modellen te verplaatsen tot buiten de academische wereld. De kandidaat is van mening dat de lumped fysische variabelen moeten worden getraind op werkelijke uurlijkse data, gekoppeld aan variabelen uit bestaande databases en via weging opgesplitst in bouwfysische subcomponenten om betrouwbare voorspellingen mogelijk te maken. Door scenarioanalyse - een unieke eigenschap van white-box modellen - over te brengen naar grey-box modellen, kan de kloof in voorspelde energiebesparingen worden verkleind en de werkelijke impact van energiebesparende maatregelen beter worden voorspeld.