Integration of a deep learning algorithm with urban building energy simulation

The population living in cities is growing dramatically. This urbanization not only leads to an increase in energy needs in buildings, but also raise their carbon footprints and destructive environmental impacts. Consequently, it would be crucial to come up with efficient methods to accurately predict the energy needs and implement appropriate policies to reduce these impacts. Currently, there are numerous researches and methods available, from all physics-based energy simulations (white-box) to fully statistical methods (black-box). However, each of these approaches has some limitations like uncertainties in input data and incompetence to consider inter-building and urban context effects in white-box simulations, and, lack of physical interpretability in black-box methods. In this thesis, we integrated a Deep Learning algorithm with a physics-based simulation tool to better understand the buildings’ energy behavior in different spatiotemporal granularities. We assumed that this integration allows us to deal with uncertainties in input data, while it can also capture the inter-building interactions and hidden urban context. This accommodates the accurate energy prediction and provides a baseline to find the effects of any retrofit action on energy consumption of individual buildings, their surroundings, and urban area. For validation of the model, it has been tested on University of Central Florida main campus. The results indicate that this methodology is able to accurately predict the electricity consumption of individual buildings, blocks and district area, in different time-steps of hourly, daily and monthly intervals. Also, it is concluded that the buildings’ functionality, vintage, size, height, etc. can have substantial impact on the prediction performance of the model. Moreover, the special events, holidays and weekends, in which the occupancy schedules are irregular, found to be the main source of inaccuracy in predictions. In the end, this methodology shows a great potential to be used over a large urban area, for energy prediction in different scales, which helps the designers, engineers and policymakers, toward long-term sustainability targets.

La popolazione che vive nelle città sta crescendo rapidamente. Questa urbanizzazione non solo porta ad un aumento del fabbisogno energetico e dei consumi negli edifici ma aumenta anche l‘inquinamento da carbonio causando effetti distruttivi sull‘ambiente. Di conseguenza è fondamentale elaborare metodi efficienti per prevedere con precisione il fabbisogno energetico e attuare politiche adeguate per ridurre tali impatti. Attualmente, ci sono numerose ricerche e metodi per questo scopo, derivanti da simulazioni di energia basate su modelli fisici (white-box) e da metodi completamente statistici (black-box). Tuttavia, ognuno di questi approcci ha alcune limitazioni che derivano da incertezze dei dati sperimentali di ingresso al modello fisico, dall‘incapacità di rappresentare effetti correlati tra costruzione e contesto urbano nelle simulazioni white-box e la mancanza di interpretabilità fisica nei metodi statistici black-box. In questa tesi, abbiamo utilizzato un modello energetico integrato per comprendere il comportamento energetico degli edifici in diverse granularità spaziotemporali. Crediamo che l’integrazione di un algoritmo di Deep Learning con uno strumento di simulazione basato sulla fisica ci permetta di ridurre la quantità di dati di ingresso al modello fisico e possa inoltre catturare le interazioni tra gli edifice e il contesto urbano nascosto. Ciò permette una previsione accurata del fabbisogno energetico su diverse scale di grandezza e fornisce anche una base di riferimento per trovare gli effetti di qualsiasi azione di retrofit sul consumo energetico dei singoli edifici, di quelli in dintorni, e dell’area urbana. A titolo di convalida, il modello è stato testato sull’ edificio universitario della Florida centrale. I risultati. hanno indicato che questa metodologia è in grado di prevedere con precision il consumo di energia elettrica di singoli edifici, blocchi e aree distrettuali, in diverse fasi per intervalli temporali sia orari che giornalieri o mensili. Inoltre, si conclude che la funzionalità degli edifici, l’età, le dimensioni, l’altezza, ecc. possono avere un impatto sostanziale sulle prestazioni predittive del modello. In aggiunta, le occasioni in cui gli orari di occupazione sono irregolari, come durante gli eventi speciali, le vacanze e i fine settimana, rappresentano la principale fonte di imprecisione sulle previsioni. Infine, questa metodologia possiede un grande potenziale da utilizzare su vaste aree urbane, per la previsione energetica a diverse scale, in grado di aiutare i progettisti, gli ingegneri e i politici verso obiettivi di sostenibilità a lungo termine.