Prediksjon av fremtidig energiforbruk i bygg ved bruk av maskinlæring

Abstract

I de senere årene har nettleverandører av energi vært misfornøyd med det ujevne forbruket på nettet og har innført tariffer som straffer kundene økonomisk ved høyt energiforbruk innen kort tidsvindu. Dette er gjort for å utnytte strømnettet optimalt, få et mer stabilt nett, samt begrense utbygging og inngrep i naturen. GK Norge er tekniske entreprenør og servicepartner som leverer smarte og bærekraftig løsninger innenfor ventilasjon, kulde og byggautomasjon. Etter innføring av effekttariffer har kunder av GK etterspurt smarte løsninger som kan hjelpe byggherrene å unngå effekttopper samt generelt bespare energi i byggene deres. For å lage en slik løsning må det først utvikles en modell som kan finne tidsrommet når det er forventet effekttopp og høyt energiforbruk. På bakgrunn av dette har GK Norge sammen med NTNU utviklet en masteroppgave som omhandler predikering av energibehovet i bygg. GK Norge ønsker å se på muligheten for å løse dette med maskinlæring da det følger deres visjon om å være et fremoverlent selskap som utnytter nyeste teknologi. Oppgaven er avgrenset til å utvikle prediksjonsmodellene og inneholder derfor ikke noe form for implementasjon i byggautomasjon.

Problemstillingen og oppgaven er løst ved å bygge to modeller gjennom en systematisk og ryddig fremgangsmåte bestående av teknikker innenfor teori og praktisk tilnærming for modellering av maskinlæringsmodeller. Det har blitt brukt en god del tid på uthenting og rensing av datasett for modelleringen. Ulike modelltyper har blitt testet ut fra det tidligere arbeidet som har blitt gjort på feltet, med modelltyper som SARIMAX og LSTM. Modelltypene har blitt optimalisert med ulike hyperparameter og sammenlignet opp mot hverandre ved bruk av kjente evalueringsmetoder og ytelsesmål. Den valgte modelltypen har blitt videreutviklet og flere modeller av samme modelltype har blitt testet. Den endelige modellen har blitt brukt til å finne det optimale datasettet før den til slutt har blitt anvendt på forskjellige eksperimenter for å vise sin fleksibilitet og begrensninger.

Den første modellen predikerer energibehovet for bygget 48 timer frem i tid med lavt avvik og brukes for å oppnå en mer generell forståelse av fremtidig energiforbruket for bygget. Modellen kan brukes for å gi beskjed når termisk energi bør lagres for å bli utnyttet til riktig tid, når andre energikilder bør ta over og når energi bør forskyves.

Den andre modellen predikerer energiforbruket i den aktuelle timen. Denne modellen kan brukes for å unngå effekttopper da den kontinuerlig gjennom en time predikerer den forventede energiforbruket for den aktuelle timen. Dersom modellen predikerer et høyt energiforbruk kan det tidlig i timen gjøres handlinger for å unngå en effekttopp.

Arbeidet i denne rapporten viser hvordan utvikling av i disse to modellene er løst, samt hvordan de presterer etter gitte krav fra GK Norge. Kravene er oppfylt og rapportens resultat er løsningen på de gitte problemstillingene.

In recent years, grid suppliers have introduced tariffs that penalize customers financially for high energy consumption within a short period of time. This is implemented to avoid uneven consumption on the electrical grid and therefore make optimal use of the grid, get a more stable grid, as well as limit the expansion of the grid and intervention in nature. GK Norge is a technical contractor and service partner who delivers smart and sustainable solutions within ventilation, cooling and building automation. Following the introduction of grid tariffs, GK's customers have requested smarter solutions that can help building owners to reduce power peaks and also save energy. To create such a solution, it is necessary to first locate when power peaks and high energy consumption are expected. Based on this, GK Norge has collaborated with NTNU and developed a master's thesis which will investigate how to predict energy consumption in buildings. GK Norge wants to explore the possibilities to solve this using machine learning as it corresponds to their vision to be a forward-looking company that utilizes the latest technology. The project is limited to doing the modeling of the prediction models and does not contain any form of implementation in building automation.

The problem is solved by modeling two models through a systematic and orderly approach consisting of techniques within theory and practical approach in modeling of machine learning models. A considerable amount of time was spent on retrieving and cleaning datasets before modeling. Different model types were investigated based on previous work in the field, like SARIMAX and LSTM models. The model types have been optimized with different hyperparameters and compared against each other using well known evaluation methods and KPI's. The selected type of model has been further developed and several variations of the same type have been tested. The final model was used to find the most optimal dataset before the model has been used in various experiments to show its flexibility and limitations.

The first model predicts the energy consumption for the building 48 hours ahead with small deviation and is intended to be used for a more general understanding of the future energy consumption of the building. It can be used to indicate when thermal energy should be stored for utilization, when other energy sources should be used and when energy should be shifted.

The second model predicts the energy consumption in the current hour. This model can be used to avoid power peaks as it continuously predicts the expected energy consumption for the current hour. If the model predicts a high energy consumption, actions can be taken early in the hour to avoid a power peak.

The work in this report shows how the development of these two models has been conducted, as well as how they perform according to given requirements from GK Norge. The requirements are met, and the results found in this report would serve as the solution to the problems given.