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 av romtyper og over tid. Studien viser at innendørsmiljøet på NTNU stort sett er bra, men at CO2-nivået tidvis er for høyt på enkelte rom. CO2-konsentrasjonen er til tider så høy at det kan påvirke studentenes evne til å lære.

I den andre delen av studien foreslås, implementeres og testes en modell basert på nevrale nettverk 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 historiske data. En slik modell utgjør et lovende alternativ til det nåværende systemet som er i bruk ved NTNU.

This master’s thesis explores the current indoor environmental conditions in selected rooms intended for teaching and learning at NTNU and suggests a neural network based model to predict future occupancy.

The first part of the study investigates how the current HVAC and temperature control systems behave 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 shows that the environmental variables at NTNU are largely good, but that CO2 levels remain too high for certain times of the week, and that this may have a negative effect on the students’ learning abilities.

In the second part of the thesis, a neural network based model to predict future occupancy is 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 used at NTNU.