In the present thesis, a deep learning-based methodology for occupancy estimation and prediction along with HVAC system modelling, aiming at reducing the energy consumption of commercial buildings, is proposed and implemented. Accordingly, the first phase of the thesis is focused on determining the most promising data-driven pipeline for estimating the occupancy status in an office based on indirect measurement. A dataset including occupancy status ground truth along with the measurements (light, CO2, relative humidity, and temperature) conducted on the corresponding timestamp, is employed for training and evaluating the developed pipelines. The optimal pipeline is determined by implementing a feature selection methodology, to find the key features, followed by a procedure for selecting the most promising algorithm that results in the highest classification accuracy. In the occupancy prediction phase instead, 4 different dataset that include occupancy data are utilized and the most promising method of training and the hyper parameters of a recurrent neural network (RNN) resulting in the highest prediction occupancy are determined. The optimal prediction pipelines are determined for predicting the occupancy status in the next 30 minutes along with 1, 2 and 3 hour time windows. In the third phase of this work, a data-driven model of HVAC system, with the final objective of integrating it in an occupancy-based model predictive control system, is implemented. A dataset including the data obtained from the monitoring system of a commercial building’s HVAC system (including measurements on the air handling unit, the VAV box, the thermal zone and the ambient conditions) is utilized. Optimal deep learning-based pipelines are accordingly developed, which can predict the thermal zone’s temperature being provided the current and lagged values of zone’s temperature, duct (cooled air) temperature, ambient temperature, and the damper’s position. The implemented feature selection and algorithm optimization procedure determine optimal pipelines (with prediction windows of 15, 30, 60, 120, 180 minutes) with an elevated accuracy. Through cross validation, it is determined that the last pipeline can estimate the thermal zone’s temperature in the next 180 minutes with + 0.46°C of variance.

Nella presente tesi, viene proposta e implementata una metodologia basata sull'apprendimento profondo (deep learning) per estimare e prevedere stato dell'occupazione e la modellazione predittiva del sistema HVAC. Questi ultimi modelli predittivi sono sviluppati con l'obiettivo di essere impiegati nel contesto di un'attività edilizia incentrata sull'occupazione al fine di ridurre il consumo energetico degli edifici commerciali. Di conseguenza, la prima fase della tesi è incentrata sulla determinazione della pipeline più promettente basata su dati per la stima dello stato di occupazione di un ufficio sulla base di misurazioni indirette. Per l'addestramento e la valutazione dei gasdotti sviluppati viene utilizzato un set di dati che include la verità sullo stato di occupazione del suolo e le misurazioni (luce, CO2, umidità relativa e temperatura) condotte sulla corrispondente data e ora. La pipeline ottimale viene determinata implementando una metodologia di selezione delle caratteristiche, per trovare le caratteristiche chiave, seguita da una procedura di selezione dell'algoritmo più promettente che si traduce nella massima accuratezza di classificazione. Nella fase di previsione dell'occupazione, invece, vengono utilizzati 4 diversi set di dati che includono i dati di occupazione e vengono determinati il metodo di allenamento più promettente e gli iperparametri di una rete neurale ricorrente (RNNN) che determinano la massima occupazione predittiva. Le condutture di previsione ottimale sono determinate per prevedere lo stato di occupazione nei prossimi 30 minuti con finestre temporali di 1, 2 e 3 ore. Nella terza fase di questo lavoro, viene implementato un modello di sistema HVAC basato su dati, con l'obiettivo finale di integrarlo in un sistema di controllo predittivo basato su un modello di occupazione. Viene utilizzato un set di dati che comprende i dati ottenuti dal sistema di monitoraggio del sistema di climatizzazione di un edificio commerciale (comprese le misurazioni sull'unità di trattamento dell'aria, il VAV box, la zona termica e le condizioni ambientali). Di conseguenza, vengono sviluppate tubazioni basate sull'apprendimento profondo ottimale, che possono prevedere la temperatura della zona termica fornendo i valori correnti e ritardati della temperatura della zona, della temperatura del condotto (aria raffreddata), della temperatura ambiente e della posizione della serranda. La selezione delle caratteristiche implementate e la procedura di ottimizzazione degli algoritmi determinano le tubazioni ottimali (con finestre di previsione di 15, 30, 60, 120, 180 minuti) con una precisione elevata. Attraverso la validazione incrociata, si determina che l'ultima condotta può stimare la temperatura della zona termica nei prossimi 180 minuti con + 0,46°C di varianza.

Deep learning based occupancy prediction and HVAC behavior modeling for improving energy efficiency of commercial buildings

MARRUGO CARDENAS, NICOLAS FERNANDO
2018/2019

Abstract

In the present thesis, a deep learning-based methodology for occupancy estimation and prediction along with HVAC system modelling, aiming at reducing the energy consumption of commercial buildings, is proposed and implemented. Accordingly, the first phase of the thesis is focused on determining the most promising data-driven pipeline for estimating the occupancy status in an office based on indirect measurement. A dataset including occupancy status ground truth along with the measurements (light, CO2, relative humidity, and temperature) conducted on the corresponding timestamp, is employed for training and evaluating the developed pipelines. The optimal pipeline is determined by implementing a feature selection methodology, to find the key features, followed by a procedure for selecting the most promising algorithm that results in the highest classification accuracy. In the occupancy prediction phase instead, 4 different dataset that include occupancy data are utilized and the most promising method of training and the hyper parameters of a recurrent neural network (RNN) resulting in the highest prediction occupancy are determined. The optimal prediction pipelines are determined for predicting the occupancy status in the next 30 minutes along with 1, 2 and 3 hour time windows. In the third phase of this work, a data-driven model of HVAC system, with the final objective of integrating it in an occupancy-based model predictive control system, is implemented. A dataset including the data obtained from the monitoring system of a commercial building’s HVAC system (including measurements on the air handling unit, the VAV box, the thermal zone and the ambient conditions) is utilized. Optimal deep learning-based pipelines are accordingly developed, which can predict the thermal zone’s temperature being provided the current and lagged values of zone’s temperature, duct (cooled air) temperature, ambient temperature, and the damper’s position. The implemented feature selection and algorithm optimization procedure determine optimal pipelines (with prediction windows of 15, 30, 60, 120, 180 minutes) with an elevated accuracy. Through cross validation, it is determined that the last pipeline can estimate the thermal zone’s temperature in the next 180 minutes with + 0.46°C of variance.
TOGNOLI, MARCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
26-lug-2019
2018/2019
Nella presente tesi, viene proposta e implementata una metodologia basata sull'apprendimento profondo (deep learning) per estimare e prevedere stato dell'occupazione e la modellazione predittiva del sistema HVAC. Questi ultimi modelli predittivi sono sviluppati con l'obiettivo di essere impiegati nel contesto di un'attività edilizia incentrata sull'occupazione al fine di ridurre il consumo energetico degli edifici commerciali. Di conseguenza, la prima fase della tesi è incentrata sulla determinazione della pipeline più promettente basata su dati per la stima dello stato di occupazione di un ufficio sulla base di misurazioni indirette. Per l'addestramento e la valutazione dei gasdotti sviluppati viene utilizzato un set di dati che include la verità sullo stato di occupazione del suolo e le misurazioni (luce, CO2, umidità relativa e temperatura) condotte sulla corrispondente data e ora. La pipeline ottimale viene determinata implementando una metodologia di selezione delle caratteristiche, per trovare le caratteristiche chiave, seguita da una procedura di selezione dell'algoritmo più promettente che si traduce nella massima accuratezza di classificazione. Nella fase di previsione dell'occupazione, invece, vengono utilizzati 4 diversi set di dati che includono i dati di occupazione e vengono determinati il metodo di allenamento più promettente e gli iperparametri di una rete neurale ricorrente (RNNN) che determinano la massima occupazione predittiva. Le condutture di previsione ottimale sono determinate per prevedere lo stato di occupazione nei prossimi 30 minuti con finestre temporali di 1, 2 e 3 ore. Nella terza fase di questo lavoro, viene implementato un modello di sistema HVAC basato su dati, con l'obiettivo finale di integrarlo in un sistema di controllo predittivo basato su un modello di occupazione. Viene utilizzato un set di dati che comprende i dati ottenuti dal sistema di monitoraggio del sistema di climatizzazione di un edificio commerciale (comprese le misurazioni sull'unità di trattamento dell'aria, il VAV box, la zona termica e le condizioni ambientali). Di conseguenza, vengono sviluppate tubazioni basate sull'apprendimento profondo ottimale, che possono prevedere la temperatura della zona termica fornendo i valori correnti e ritardati della temperatura della zona, della temperatura del condotto (aria raffreddata), della temperatura ambiente e della posizione della serranda. La selezione delle caratteristiche implementate e la procedura di ottimizzazione degli algoritmi determinano le tubazioni ottimali (con finestre di previsione di 15, 30, 60, 120, 180 minuti) con una precisione elevata. Attraverso la validazione incrociata, si determina che l'ultima condotta può stimare la temperatura della zona termica nei prossimi 180 minuti con + 0,46°C di varianza.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Thesis final version.pdf

non accessibile

Descrizione: Thesis text
Dimensione 26.65 MB
Formato Adobe PDF
26.65 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/149145