| dc.description.abstract | Energieffektivisering av bygninger har blitt et stadig viktigere fagområde ettersom at klimabevissthet og energiforbruk har fått mer oppmerksomhet gjennom tidene. En måte å øke energieffektviteten til bygninger er ved å benytte datadrevne og matematiske modeller som kan optimalisere varme-, ventilasjon- og sanitærsystemer.
I denne masteroppgaven gjøres det et forsøk i å utvikle en matematisk modell og en datadreven modell som kan forutsi virkemåten av et VVS-system koblet til et testorm i en laboratorie. Disse modellene kan brukes til å forutsi det termiske inneklimaet i testrommet i forskjellige scenarier og kan dermed benyttes for å optimalisere drift av VVS-systemet. Forsøk gjennomført med modellene kan også gi et innblikk i hvordan ulike parametere har en innflytelse på det termiske inneklimaet.
I tillegg gir denne oppgaven en beskrivelse av komponentene som inngår i ventilasjonsaggregater og deres virkemåte, etterfulgt av en litteraturstudie om forskjellige modelltyper av VVS systemer. Rapporten diskuterer bl.a. matematiske modeller, hybrid modeller, og datadrevne modeller. Anvendelser av VVS-systemmodeller er beskrevet i litteraturstudie også.
Fra litteraturstudien ble det funnet en rekke modelltyper som kan benyttes til VVS-systemer. Disse kan beskrive og forutsi virkemåten til VVS-systemer med god nøyaktighet og hver av de har sine egne styrker og svakheter. Det ble også funnet at VVS-systemmodeller kan bidra til energieffektiviseringen av byggesektoren.
Den matematiske modellen ble utviklet gjennom programmet EnergyPlus. Ukjente parametere i form av intern termisk masse, luftinfiltrasjon, og varme fra beboere og elektronisk utstyr ble funnet og kalibrert opp mot fire scenarier over en 79 dager lang periode. For den datadrevne modellen ble det benyttet en long short-term memory tilbakevendende nevralt nettverk for å forutsi innendørs lufttemperatur. To datasett ble benyttet for trening og testing av den datadrevne modellen. Ett av dem ble generert via en 365 dager lang simulering gjennomført av den matematiske modellen. Det andre datasettet ble hentet fra målinger tatt i perioden 04.03 til 22.05.
Tester gjennomført med den matematiske modellen peker mot at modellen kan beregne innetemperaturen på nøyaktig vis dersom setpunktstemperaturen og mengden beboere holder seg konstant. Det argumenteres derimot at flere forsøk i testrommet må gjennomføres for at den matematiske modellen kan modellere testrommets termisk treghet.
Forsøk gjennomført med den datadrevne modellen viser at modellen kan forutsi målt innetemperatur med tilstrekkelig nøyaktighet når den trenes opp med datasettet hentet fra målinger. Det ble også funnet at modellen kan forutsi målt innetemperatur nøyaktig nok når den trenes opp med simulerte data. Av de 12 inngangsparameterene som ble benyttet var det tidsindeks-relaterte parametere og setpunktstemperaturen som hadde størst betydning for nøyaktigheten av modellen. | |
| dc.description.abstract | With the growth of climate awareness and the role energy usage plays in this respect, increasing the energy efficiency of buildings has steadily become a more important field of study. This can be done through the implementation of data-driven and mathematical models capable of optimizing heating, ventilation and air-conditioning systems.
This thesis attempts to develop a mathematical model and a data-driven model that can accurately predict the behaviour of an air handling unit connected to a laboratory room. These models can be used to predict the future indoor air temperature at different operating conditions for the air handling unit and thereby be useful for optimizing its operation. Tests performed with these models can also provide insight into the relevance of different input parameters.
In addition, this thesis provides a description of the components and operation of air handling units, followed by a literature review on the different modelling approaches to HVAC system behavior prediction. Some of the modelling types that will be discussed include mathematical models, hybrid models and data-driven models. HVAC system modelling applications in previous works are reviewed as well.
The literature review showed that there are multiple modelling types that are appropriate in describing HVAC system behavior accurately with different strengths and weaknesses spread between them. HVAC system modelling is also found to have several applications that can contribute to increasing the energy efficiency of buildings.
Development of the mathematical model was done in EnergyPlus. Unknown parameters in internal mass, air infiltration and internal gains from occupants and equipment were determined and calibrated against four scenarios where the air handling unit was operating under different conditions over a 79-day period. For the data-driven model, a long short-term memory recurrent neural network was used to predict the indoor air temperature. Two datasets were created for training, validation and testing, one generated by the mathematical model over a 1-year simulation and the other by measurements taken inside the laboratory room from 04.03 to 22.05.
After calibrating the mathematical model and identifying the missing parameters in the model, testing showed that the model can accurately predict the indoor air temperature, provided that the setpoint temperature and occupancy level is constant. For the mathematical model to properly model the thermal inertia of the room, it was concluded that further tests need to be performed.
Testing the data-driven model revealed that the model is able to predict the indoor air temperature to a sufficiently accurate degree when trained with the measured data, despite the limited time period the training dataset covered. It was also found that the model can also predict the measured indoor air temperature relatively accurate when trained with the simulated data. In terms of input parameter relevance, time index related parameters and the supply setpoint air temperature were the most impactful for the measured- and simulated datasets, respectively. | |
