Machine Learning Based Digital Twins for Temperature and Power Dynamics of a Household

Abstract

Utfordringer med kraftproduksjonen i Europa og den stadig økende elektrifiseringen av samfunnet har resultert i økte kostnader ved strømforbruk de siste par årene. Dette har stor innvirkning på økonomien til husholdninger i Norge. Oppvarming utgjør en stor del av strømforbruket i boliger, og bruk av smart-styring av oppvarming kan redusere strømforbruket drastisk - spesielt når det er høy belastning på strømnettet, og strømprisene er høye. Modellbasert prediktiv kontroll (MPC) er bevist å være en god kontrollmetode for inneklima. Metoden utnytter svingende spotpriser til å redusere kostnadene ved oppvarming samtidig som en ønsket temperatur opprettholdes. MPC-metoder krever gode system-modeller til å simulere temperatur og strømforbruk for varmeapparater. Å lage disse modellene krever ofte omfattende simuleringer og datainnsamling, og er dermed en ressurskrevende metode.

I denne masteroppgaven brukes rene maskinlæringsmodeller for å modellere dynamikken til innendørs temperatur og varmepumpe-strømforbruk. Modelleringen er utført ved hjelp av data samlet inn fra en husstand i Trondheim som kjører en MPC-basert kontrollalgoritme for varmepumpestyring. Lineære direkte- og lineære iterative one-step-ahead-prediksjonsmodeller lages for å modellere temperaturdynamikken. De sammenlignes med den dyplærings-baserte modellen, Temporal Fusion Transformer (TFT). Alle modellene trenes til å gi stokastiske prediksjoner. Den lineære direkte modellen utkonkurrerer den itererative og viser lignende ytelse som TFT-en når den trenes på store datasett. TFT-en overgår de lineære modellene når lite data er tilgjengelig for trening. Den lineære direkte modellen er lovende og klarer å lære temperaturdynamikker i huset som reflekterer de sanne dynamikkene. Lineære og dyplærings-baserte prediksjonsmodeller trenes til å forutsi varmepumpens strømforbruk stokastisk. Den dyplærings-baserte modellen består av dype nevrale nett for hver varmepumpe. De lineære modellene utkonkurrerer dyplæringsmodellene på små datamengder, og deres relative ytelse på større data er ganske lik. Alle foreslåtte modeller for prediksjon av strømforbruk sliter med å lære den sanne dynamikken til varmepumpenes strømforbruk.

Challenges with power production in Europe and the ever-increasing electrification of society have resulted in an increased cost of power consumption in the last couple of years. This has a significant impact on the household finances of the everyday consumer in Norway. Heating is a major part of residential power consumption, and utilizing smart control of heating could reduce power consumption drastically - especially during peak power spot prices. Model Predictive Control (MPC) is proven to be a good control scheme for indoor climate. The method exploits fluctuating spot prices to reduce power consumption bills whilst maintaining desired indoor temperatures. MPC schemes require good system models to simulate the indoor temperature and power consumption of heating appliances. Modeling these dynamics often require extensive simulations and data gathering.

In this Master's Thesis, pure machine learning methods are used as modeling tools for temperature and heat pump power consumption dynamics. The modeling is performed using data collected from a household in Trondheim that runs an MPC scheme for heat pump control. Direct linear and iterative one-step-ahead linear forecasting models are created to model the temperature dynamics. They are compared to the deep learning-based Temporal Fusion Transformer (TFT) model. All models are trained to give stochastic forecasts. The direct linear model outperforms the iterated one and shows similar performance as the TFT when trained on large data sets. The TFT outperforms the linear models when little data is available for training. The direct linear model shows great promise and manages to learn the temperature dynamics of the household quite well. Linear and deep learning-based prediction models are trained to give stochastic predictions for heat pump power consumption. The deep learning-based model consists of deep neural networks for each indoor heat pump unit. The linear models outperform the deep learning on little data, and their relative performance on longer data is quite similar. All proposed power consumption prediction models struggle to learn the true dynamics of the power consumption of heat pumps.