Using historical data to predict future occupancy for improvement of indoor environmental factors
Abstract
Denne masteroppgaven undersøker innendørsklimaet på utvalgte undervisnings- og læringsarealer ved NTNU og foreslår en modell basert på nevrale nettverk for å forutse fremtidig rombruk.
Den første delen av studien undersøker hvordan det nåværende systemet for kontroll av ventilasjon og temperatur oppfører seg under forskjellige situasjoner. Basert på et stort antall sensorer i forskjellige rom blir variabler for innendørsmiljøet logget og sammenlignet på tvers avromtyper og over tid. Studien viser at innendørsmiljøet på NTNU stort sett er bra, men atCO2-nivået tidvis er for høyt på enkelte rom. CO2-konsentrasjonen er til tider så høy at detkan påvirke studentenes evne til å lære.
I den andre delen av studien foreslås, implementeres og testes en modell basert på nevralenettverk for å forutse fremtidig rombruk. Modellen er i stand til å gjøre dette med god nøyaktighet og kan tilpasse sine prediksjoner basert på gjeldende sensoravlesninger og historiskedata. En slik modell utgjør et lovende alternativ til det nåværende systemet som er i bruk vedNTNU. This master’s thesis explores the current indoor environmental conditions in selected roomsintended for teaching and learning at NTNU and suggests a neural network based model topredict future occupancy.
The first part of the study investigates how the current HVAC and temperature control systemsbehave under different circumstances. Based on a large number of sensors in different rooms,environmental variables are logged and compared across time and room types. The study showsthat the environmental variables at NTNU are largely good, but that CO2 levels remain too highfor certain times of the week, and that this may have a negative effect on the students’ learningabilities.
In the second part of the thesis, a neural network based model to predict future occupancyis proposed, implemented and tested. The model is able to predict occupancy before it occurs with good accuracy and is able to adjust its predictions based on current sensor readings and historical data. This represents an promising alternative to the current system usedat NTNU.