Advancing Building Energy Efficiency with Physics-Informed Neural Networks for Time Series Forecasting

Abstract

Rask urbanisering og befolkningsvekst har drevet bygninger til å forbruke en betydelig del av verdens energi, med forventninger om ytterligere økninger i fremtiden. Regjeringer har svart ved å implementere tiltak som å øke energiprisene og håndheve reguleringer for å bygge energieffektive bygninger. Med tanke på disse innsat- sene har avanserte kontrollteknikker, inkludert Model Pre- dictive Control (MPC), blitt fremhevet som lovende løsninger for å redusere energiforbruket. Imidlertid står konvensjonelle MPC-modeller overfor utfordringer på grunn av deres avhengighet av kostbare fysiske modeller. I motsetning til dette, benytter datadrevne tilnærminger historiske bygningsdata for å forbedre energieffektiviteten og innendørs komfort. Til tross for deres potensial, står slike tilnærminger overfor utfordringer som høye datakrav og tolkningsproblemer. Physics-informed Neural Networks (PINNs) brobygger gapet mellom fysikkbasert modellering og datadrevne tilnærminger, og integrerer fysiske prinsipper i maskinlæringsrammeverk for å forbedre prediksjons nøyaktighet og robusthet. Denne avhandlingen utforsker bruken av PINN og an dre maskinlæringsmetoder for tidsrekkeprognoser av energiforbruk i bygninger, og gir innsikt i deres effektivitet og begrensninger. Gjennom en sammenlignende analyse demonstrerer den dataeffektiviteten til PINN og potensialet til å forbedre energiforvaltningsstrategier i bygninger.

The rapid urbanization and population growth have driven buildings to consume a significant portion of the world’s energy, with expectations of further increases in the future. Governments have responded by implementing measures such as raising energy prices and enforcing regulations for constructing energy efficient buildings. Considering these efforts, advanced control techniques, including Model Predictive Control (MPC), have emerged as promising solutions for reducing energy usage. However, conventional MPC models face challenges due to their reliance on costly physical models. In contrast, data-driven approaches, leveraging historical building data to enhance energy efficiency and indoor comfort. Despite their potential, these approaches face challenges such as high data requirements and interpretability issues. Physics informed Neural Networks (PINN) bridge the gap between physics-based modeling and data-driven approaches, integrating physical principles into machine learning frameworks to improve prediction accuracy and robustness. This thesis explores the application of PINN and other machine learning methods for time series forecasting of energy consumption in buildings, providing insights into their effectiveness and limitations. Through a comparative analysis, it demonstrates the data efficiency of PINN and its potential for enhancing energy management strategies in buildings.