Parameters relevance in data-driven models for building energy prediction

Abstract

Bygninger står for 40 % av verdens energiforbruk, og 36 % av drivhus gassene. En stor andel av denne energien er knyttet til bygninger, mer spesifikt, systemer for varme, ventilasjon, og kjøling (HVAC). Intelligente systemer, som data-drevne modeller kan optimalisere disse systemene og være en god ressurs for å redusere energiforbruket relatert til bygninger.

Målet ved denne oppgaven er å undersøke relevansen til parametere brukt i data-drevne modeller for energiprediksjoner av bygninger. Funnene i denne rapporten kan derfor lede til økt prestasjon av data-drevne modeller, hvorav modellene kan bli raskere og mer nøyaktige. Parameterne som undersøkes i denne oppgaven er både inngangsparameterne til den data-drevne modellen, og parameterne til bygget predikert.

I rapporten er det brukt en hybrid flere-inngang og flere-utgang (MIMO) Long short-term memory (LSTM) modell. Data brukt som inngangsparametere til modellen er generert fra en bygning designet i programmet IDA Indoor Climate and Energy (IDA ICE). Inngangsdataen er generert i ulike versjoner, hvorav bygningskonvolutt, lokasjon, og rutiner endret for å teste modellen på et bredt utvalg senarioer. Bygningen mest brukt i testingen er et kontorbygg med Passiv hus standard, lokalisert i Trondheim, Norge. Utgangsparameterne brukt gjennom hele rapporten er innendørstemperatur. Evaluering av inngangsparametere er utført ved hjelp av en elimineringsmetode og Wrapper metode. Resultatene i denne oppgaven viser at en stabil innendørs temperatur er nødvendig for nøyaktige predikasjoner. Bygninger med stabile temperaturer har ofte høy termisk masse, mye isolasjon, få vinduer, og/eller persienner. Et særtrekk ved bygg som ikke er passende for predikasjoner er at de har varierende set-punkt temperatur. Variasjoner i temperaturen er utfordrende å forutse, som igjen øker med differansen mellom innendørs og utendørs temperatur.

Funnene relatert til inngangsparameterne indikerer at daglig tidskonstant, teknisk utstyr og solradiasjon er de viktigste inngangsparameterne. Typen solradiasjon varierer med klima, hvorav direkte normal stråling er egnet for kjølig klima, og solstråling på en horisontal overflate i temperte klima. Når bygg er lokalisert i kjølig klima og/eller har lite isolasjon er meteorologiske parametere av større betydning. Da spesielt utendørs temperaturen, og vind dersom bygget har lite isolasjon.

Tidsindeks er inngangsparameteren av størst betydning, og forbedring av tidsindeks er det beste tiltaket for å øke nøyaktigheten til prediksjonene. Tidsindekser er sterk relatert til forbrukerens rutiner, som videre er sterkt relatert til rutinene til HVAC systemer, lys og annet teknisk utstyr. Tidsindekser er også sterkt knyttet til meteorologiske verdier, da solen er sterkt korrelert med klokken. Andre meteorologiske verdier som temperatur og fuktighet blir sterkt påvirket av solen, noe som også kobler disse verdiene til en tidsindeks. En god tidsindeks kan derfor gi informasjon om ulike faktorer som påvirker bygningers energiforbruk.

Et annet funn i oppgaven er at det er lite eller ingen kommunikasjon mellom sonene i den hybride LSTM modellen. Mangelen på kommunikasjon kan være grunnet mangel i den data-drevne modellen, eller grunnet bygningen. Dersom bygningen ikke hadde vært perfekt temperert eller ved mindre isolasjonene i de interne veggene, kunne utfallet vært annerledes. Dette grunnet en økt varmetransaksjon mellom interne vegger, som kunne gjort det lettere for modellen å oppdage samspillet mellom sonene.

Buildings account for 40 % of the world's energy use and 36 % of the greenhouse gas emissions. A large share of the energy is related to heating, ventilation, and air-conditioning (HVAC) systems. Intelligent technologies, such as black-box models, for optimizing these systems will be an excellent resource for reducing energy use without compromising human comfort.

The thesis aims to examine the parameter relevance related to data-driven models for predicting indoor temperature. The findings in this thesis can lead to increased performance of black-box models, with more accurate and less computational expensive predictions. The investigations of parameters include both the black-box input parameters and the parameters of the building.

The back-box model utilized is a hybrid multiple-input and multiple-output (MIMO) Long short-term memory (LSTM) model. The data used as input for the LSTM model is generated from buildings simulated in IDA Indoor Climate and Energy (IDA ICE). The building will be tested for different internal gains, envelopes, and locations to get a wide variety of data. The most utilized building is an office Passive House located in Trondheim, Norway. The importance of input parameters for the data-driven model is evaluated by utilizing a feature elimination method and the wrapper method.

The results show that a stable indoor temperature is crucial for prediction accuracy. Buildings with stable temperatures often have a high thermal mass, heavy insulation, little glazed envelope, and/or external shutters. A characteristic not suitable for prediction is variable set-points in the HVAC system. The variation in the desired temperature is challenging to predict and is amplified when the temperature difference between indoor and outdoor increases.

Regarding input parameters, daily time-index, equipment, and solar radiation are essential for office buildings. The type of solar radiation varies based on the climate, where direct normal radiation is suitable for cool climates, and solar radiation on a horizontal surface for temperate climates. For buildings located in cool climates and/or has lower insulation meteorological parameters are of more importance. Especially, outdoor temperature, and wind when little insulation is utilized.

Time-indexes were the most essential input parameter, and the use of advanced time-indexes will be the best measure to improve prediction accuracy in the model. Time-index is a number that gives information regarding time, day, or similar. The time-indexes are strongly related to the patterns of occupants, which further are strongly related to the use of HVAC systems, lighting, and other appliances. The time-indexes are also strongly related to meteorological values due to the sun's correlation to the hourly time-index and the other parameters affected by the sun. A sufficient time-index can therefore give information related to multiple factors affecting the building energy use.

Another finding of this thesis is that there is little or no communication between zones in the hybrid MIMO LSTM model. The lack of communication can be a drawback for either the building utilized as input or the LSTM model. If the building was not perfectly heated or had less internal insulation, the model might have captured the dynamic between zones. This due to an increase in heat transfer through internal walls. It is also possible that another data-driven model would be able to capture this interference without increasing the heat transfer between zones.