Indoor environment data time-series reconstruction using autoencoder neural networks

As the number of installed meters in buildings increases, there is a growing number of data time-series that could be used as input variables to data-driven models. These models usually capture more accurate as-built system performance than classical forward approaches, since they rely on real building temporal data. However, building data sets are often characterized by errors and missing values that could hinder further energy analysis. Existing research addressed this topic by using methods that often resulted in poor performance of later applied data-driven models. In this thesis, three different autoencoder neural networks are trained to reconstruct missing indoor air temperature time-series in a data set collected in an office building in Aachen, Germany. The results proved that the proposed models outperform classic numerical approaches. The same models experienced high performance also in the direct forecasting of future indoor air temperature data time-series.

La recente diffusione di sistemi di monitoraggio ed automazione degli edifici, ha reso disponibili ampie serie temporali di dati che possono essere usate come input in modelli di analisi data-driven per diversi scopi (e.g. valutazione delle prestazioni, modellazione del comportamento degli occupanti, fault detection). Questi modelli riescono, di solito, a fornire previsioni più accurate rispetto a modelli di tipo diretto, poiché si basano su dati prestazionali reali. Tuttavia, i dati temporali provenienti dai sistemi edificio-impianto sono spesso caratterizzati da errori o valori mancanti. I metodi che sono stati usati fino ad ora per gestire queste anomalie hanno spesso portato ad una diminuzione delle prestazioni dei modelli di analisi data-driven applicati. La presente tesi propone una soluzione a questo problema, attraverso l’uso e l’analisi di tre diverse reti neurali di tipo "autoencoder" per ricostruire dati mancanti di temperatura dell’aria interna provenienti da un edificio-ufficio localizzato ad Aquisgrana, Germania. I risultati hanno dimostrato la superiorità di questi modelli rispetto ai classici approcci di tipo numerico. Gli stessi modelli hanno raggiunto prestazioni elevate anche nella stima diretta di dati futuri di temperatura interna dell’aria.