AI for Energy Management in Buildings

Abstract

Bygninger står for en betydelig del av det globale energiforbruket og er knyttet til store mengder klimagassutslipp. Dette understreker behovet for forbedring av ulike strategier til energistyring. Med de teknologiske fremskritt som har blitt utredet frem til idag har Model Predictive Control (MPC) vist stort potensiale for kontroll av ulike prosesser. I sammenheng med bygninger er MPC spesielt effektivt for å redusere energiforbruket samtidig som det opprettholder komforten for beboerne. Sammenlignet med tradisjonelle PID-regulatorer som har blitt benyttet i stor grad tidligere, introduserer MPC en modell i kontrollalgoritmen, og genererer kontrollsekvenser gjennom optimalisering.

Avhandlingen omhandler hovedsakelig en casestudie av SINTEFs kontorbygning lokalisert i Børrestuveien, Oslo. Den 8-etasjers bygningen har radiatoroppvarming som dekker de fleste seksjoner gjennom et fjernvarmesystem, sammen med et ventilasjonssystem med roterende varmegjenvinning og elektriske varmebatterier. Måledata ble hentet fra denne bygningen fra januar 2020 og ut en periode på omtrent 2 måneder. Dette ga et datasett som tidligere har blitt benyttet til å identifisere parametere for en 2R2C Linear Time Invariant (LTI) modell for innendørs temperaturprediksjon.

Denne avhandlingen presenterer en "LSTM Sequence-to-Sequence" modell designet for innendørs temperaturprediksjon ved bruk av tilgjengelige målte data fra casestudiets bygning. De datadrevne modelleringsmetodene evalueres mot den diskretiserte 2R2C-modellen med forskjellige prediksjonslengder. Gitt den begrensede mengden data, introduseres en gråbokstilnærming som benytter syntetisk generert data fra 2R2Cmodellen. En "transfer-learning" tilnærming benyttes med mål om å forbedre modellens ytelse og generaliseringsevne.

Nøkkelfunnene indikerer at modellen med "transfer-learning" forbedrer prediksjonsevnen sammenlignet med 2R2C-modellprediktoren på tvers av alle presenterte evalueringsmål. Videre, sammenlignet med rent datadreven modelleringsmetode, viser "transferlearning" modellen forbedringer, noe som tyder på at den syntetisk genererte dataen forbedret den datadrevne modellens prediktive evner i dette spesifikke test-senarioet.

Buildings account for a significant portion of global energy consumption and are linked to large amounts of greenhouse gas emissions. This underscores the need for improved energy management strategies. As technology has advanced, Model Predictive Control (MPC) has shown great potential across multiple control environments. In the context of buildings, MPC is particularly effective in reducing energy consumption while maintaining occupant comfort. In comparison to widely used PID regulators, MPC introduces models into the control algorithm, retrieving optimal control input sequences through optimization.

The thesis primarily concerns a case study of SINTEF’s office building located at Børrestuveien, Oslo. The 8-story building has radiator heating covering most sections through a district heating system, along with a ventilation system with a rotating heat recovery unit and electrical heating coils. Measurement data were retrieved from this building starting in January 2020 and continuing for a period of approximately 2 months, providing a dataset that has previously been used to identify parameters for a 2R2C Linear Time Invariant (LTI) indoor temperature prediction model.

This thesis presents an LSTM Sequence-to-Sequence model designed for indoor temperature prediction using the available measured data from the case study building. The data-driven modeling techniques are evaluated against the discretized 2R2C model with different prediction horizon lengths. Given the limited amount of data, a grey-box approach is introduced that utilizes synthetically generated data from the 2R2C model. A transfer learning approach is employed with the aim of enhancing the model performance and generalization capabilities.

The key findings indicate that the transfer-learned model successfully improves the prediction performance compared to the baseline 2R2C model predictor across all evaluation metrics. Moreover, when compared with the purely data-driven modeling approach, the transfer-learned model show improvements, suggesting that synthetically generated data improved the predictive capabilities of the data-driven models in this specific test scenario.