| dc.description.abstract | Med den raske fremgangen i maskinlæring har prediktiv modellering dukket opp som en attraktiv metode for å optimalisere energibruk, også innen bygningssektoren. Denne avhandlingen utforsker ulike modelleringsparadigmer for å forutsi temperaturen i bygninger, med det ultimate målet om å optimalisere energibruken.
Avhandlingen undersøker tre fremtredende modelleringsparadigmer: fysikkbasert modellering (PBM), datadreven modellering (DDM) og hybrid analyse og modellering (HAM). PBMer benytter matematiske ligninger avledet fra fysiske lover for å forutsi systemets dynamikk, mens DDMer utnytter mønstre i historiske data for å forutsi fremtidig utvikling. HAMer tar sikte på å kombinere det beste fra begge verdener ved å slå sammen fysikkbaserte modeller med datadrevne komponenter.
En omfattende sammenligning blir utført for å vurdere hvert paradigmes evne til å nøyaktig forutsi innendørstemperaturer med tanke på å optimalisere strømforbruket. Fra den komparative analysen utmerker DDMene seg, spesielt Long Short-Term Memory (LSTM) modellen, som overgår de andre modellene i form av nøyaktighet og pålitelighet.
Til tross for LSTMens suksess, blir modellens iboende ``black box''-natur identifisert som en svakhet. Modellens lave tolkbarhet kan hindre dens troverdighet og dens påfølgende anvendelse i den virkelige verden, og markerer et område for videre utvikling.
På en annen side viser HAMen implementert i denne studien, til tross for utilfredsstillende resultater, betydelig potensial for å forbedre tolkbarheten og påliteligheten til slike prediktive modeller. Derfor understreker avhandlingen nødvendigheten av mer omfattende utforskning av HAM-paradigmet.
Til slutt fremhever studien inkorporeringen av prediktive bygningsmodeller i en optimaliseringsalgoritme som en viktig retning for en mer bærekraftig fremtid. Modellen må da endres slik at den kan håndtere kontrollinnganger som radiatorer, ventilasjonssystemer og peisovner, noe som gir den evnen til å forutsi temperaturer basert på forskjellige sekvenser av kontrollinnganger. Implementeringen av et konfidensmål for å vurdere påliteligheten til prediksjonen er også foreslått.
For å konkludere kaster avhandlingen lys over det betydelige potensialet til prediktiv modellering, spesielt paradigmene DDM og HAM, for å optimalisere energiforbruk og redusere strømkostnad for en bærekraftig fremtid. Til slutt fremhever avhandlingen områdene som trenger videre utforskning og utvikling. | |
| dc.description.abstract | With the rapid advancement of machine learning, predictive modeling has emerged as an attractive avenue for optimizing energy usage in the context of building performance. This thesis delves into the exploration of different modeling paradigms for forecasting the indoor temperatures of buildings, with the ultimate goal of optimizing electricity consumption.
The thesis investigates three prominent modeling paradigms: Physics-Based Modeling (PBM), Data-Driven Modeling (DDM), and Hybrid Analysis and Modeling (HAM). PBMs leverage mathematical equations derived from physical laws to forecast the dynamics of a system, whereas DDMs exploit patterns in historical data to make forecasts. Finally, HAMs aim to incorporate the best of both worlds, combining physics-based models with data-driven components.
The study conducts a comprehensive comparison, assessing each paradigm's ability to accurately forecast indoor temperatures for electricity optimization purposes. From the comparative analysis, DDMs, particularly the Long Short-Term Memory (LSTM) model, outperform the other models regarding accuracy and reliability.
However, despite the success of the LSTM, this study identifies the model's inherent ``black box'' nature as a weakness. Furthermore, the model's low interpretability can hinder its trustworthiness and its subsequent real-world application, marking an area for further development.
On the contrary, although the HAM model implemented in this study does not provide satisfactory results, it showcases significant potential in enhancing the interpretability and trustworthiness of accurate forecasting models. Thus, the thesis underlines the need for a more extensive exploration of the HAM paradigm.
Finally, the study emphasizes incorporating indoor temperature forecasting models into optimization algorithms as a pivotal direction for a more sustainable future. Such a model would need to handle control inputs like radiators, ventilation systems, and fireplaces, enabling it to forecast indoor temperatures based on different control input sequences. Implementing a confidence measure to assess the reliability of the forecast is also suggested.
In conclusion, the thesis sheds light on the substantial potential of predictive modeling, particularly the DDM and HAM paradigms, for optimizing electricity consumption and reducing electricity costs toward a sustainable future. Finally, the thesis highlights areas that need further exploration and development. | |
