Parameters identification of a gray-box model for building energy performance using a genetic algorithm

The question of climate changes and rational energy consumption is becoming more and more important. It is evident that average temperature of the planet Earth is rapidly increasing over the last decades which causes numerous negative consequences. In order to reduce the energy consumption and fight the climate changes, building energy sector plays one of the most important roles. According to many scientific studies, 40% of the total energy consumed in the European Union is devoted for different applications within the buildings. Therefore, the energy efficiency of buildings tends to be one of the crucial elements in order to overcome these problems. When dealing with energy efficiency in buildings, the focus is still on the retrofitting and modernization. In addition, the approach which is showing a great potential is application of advanced control strategies in the building automation systems. In order to define the optimal control strategy for a certain building, the first step is to identify a model which appropriately represents this phenomenon. In the framework of building modeling for the control purposes, gray-box models are quite frequently used. In this work, the grey-box building modeling will be presented and validity of the identified model will be shown. Usually, this kind of modeling requires a set of measured experimental data for the model to be tuned. Since the building of consideration in this work is imaginary research model, collection of this data is not feasible. In order to overcome this obstacle, white-box simulation data will be used instead. Accordingly, in the first part of this work the focus is on white-box simulation performed by the two different software – IES-VE and ISO-52016 Excel tool. Subsequently, this data is used for gray-box modeling and building parameters identification. Generally, the process of parameters identification could be enormously time demanding and for this reason it was carried out by using the genetic algorithm. Considering the model validation, it was possible to obtain a good matching between the outputs of the white-box and gray-box simulation software on the monthly basis. When analyzing the monthly energy demand, relative error achieved for the heating curves is 13.47%, while for cooling curves it equals to 3.65%. On the other hand, when analyzing the hourly energy demand of the typical days, the calculated error in case of heating is 58.92% while in case of cooling it is equal to 28.90%.Therefore, matching between the hourly curves could be possibly improved and will be discussed in detail.

La questione dei cambiamenti climatici e del consumo razionale di energia sta diventando sempre più importante. È evidente che la temperatura media del pianeta Terra è in rapido aumento negli ultimi decenni, il che causa numerose conseguenze negative. Al fine di ridurre il consumo di energia e combattere i cambiamenti climatici, il settore energetico dell'edilizia gioca uno dei ruoli più importanti. Secondo molti studi scientifici, il 40% dell'energia totale consumata nell'Unione Europea è destinata a diverse applicazioni all'interno degli edifici. Pertanto, l'efficienza energetica degli edifici tende ad essere uno degli elementi cruciali per superare questi problemi. Quando si tratta di efficienza energetica negli edifici, l'attenzione è ancora sull'adeguamento e l'ammodernamento. Inoltre, l'approccio che sta mostrando un grande potenziale è l'applicazione di strategie di controllo avanzate nei sistemi di automazione degli edifici. Per definire la strategia di controllo ottimale per un determinato edificio, il primo passo è identificare un modello che rappresenti adeguatamente questo fenomeno. Nell'ambito della modellazione degli edifici per scopi di controllo, i modelli a scatola grigia sono usati abbastanza frequentemente. In questo lavoro verrà presentata la modellazione edilizia a scatola grigia e verrà mostrata la validità del modello identificato. Di solito, questo tipo di modellazione richiede una serie di dati sperimentali misurati per la messa a punto del modello. Poiché la costruzione della considerazione in questo lavoro è un modello di ricerca immaginario, la raccolta di questi dati non è fattibile. Per superare questo ostacolo, verranno invece utilizzati i dati di simulazione white box. Di conseguenza, nella prima parte di questo lavoro il focus è sulla simulazione white-box eseguita dai due diversi software: IES-VE e ISO-52016 Excel Tool. Successivamente, questi dati vengono utilizzati per la modellazione della scatola grigia e l'identificazione dei parametri di costruzione. In generale, il processo di identificazione dei parametri potrebbe richiedere molto tempo e per questo motivo è stato effettuato utilizzando l'algoritmo genetico. Considerando la validazione del modello, è stato possibile ottenere un buon abbinamento tra gli output del software di simulazione white-box e gray-box su base mensile. Analizzando il fabbisogno energetico mensile, l'errore relativo ottenuto per le curve di riscaldamento è del 13.47%, mentre per le curve di raffreddamento è pari al 3.65%. Analizzando invece il fabbisogno energetico orario delle giornate tipo l'errore calcolato in caso di riscaldamento è del 58.92% mentre in caso di raffrescamento è pari al 28,90%, pertanto è possibile migliorare il matching tra le curve orarie e sarà discusso in dettaglio.