A neural network-based predictive control and data analysis of an HVAC system for an educational building

Nowadays, the impact of the Industry 4.0 has increased during the last years and the inclusion of fields such as Artificial Intelligence and Machine Learning in new areas is taking place. To reduce the energy consumption and the ecological impact of different systems, including those devoted to the climate comfort of users in buildings, different and advanced controlled techniques appear to push forward the efficiency of such complex systems. The objective of this thesis is to examine the influence of the characteristics and the size of the dataset used for the training of the Neural Network that will be used as a prediction model inside a non-Linear Model Predictive Control (NMPC). A short introduction analyzing the main aspects of the building and control structure of its Heat, Ventilation, and Air-Conditioning (HVAC) system is provided. Then, a reference model of the building is used to generate the data set required for training using realistic operating scenarios. Different datasets are then tested in prediction under other conditions, and in closed-loop introducing them inside the NMPC. Some practical concerns about closed-loop bad performing prediction models as well as techniques to improve their capacity with an online approach for retraining the prediction model are introduced. Finally, this idea is extended to the case of the use of the same controller in a different building using a pre-trained model. Performance analysis of the best configuration for online retraining is then achieved.

Al giorno d’oggi, l'impatto dell'Industria 4.0 è aumentato durante gli ultimi anni e l'inclusione di campi quali l'Intelligenza Artificiale e il Machine Learning in nuove aree si sta attuando. Per ridurre il consumo di energia e l'impatto ecologico di diversi sistemi, compresi quelli dedicati al comfort climatico degli utenti negli edifici, appaiono diverse e avanzate tecniche di controllo con lo scopo di promuovere l'efficienza di tali sistemi complessi. L'obiettivo di questa tesi è quello di esaminare l'influenza delle caratteristiche e delle dimensioni del set di dati utilizzato per il training di una Rete Neurale che verrà adoperato come modello di predizione all'interno di un Model Predictive Control non lineare (NMPC). Viene fornita una breve introduzione che analizza gli aspetti principali dell'edificio e la struttura di controllo del suo sistema di riscaldamento, ventilazione e condizionamento dell'aria (HVAC). Poi, un modello di riferimento dell'edificio viene utilizzato per generare il set di dati necessario per il training utilizzando scenari operativi realistici. Successivamente, diversi set di dati vengono testati in predizione con altri condizioni, e in closed-loop introducendoli all'interno del NMPC. Vengono introdotte alcune considerazioni pratiche sui modelli di predizione ad closed-loop cattive prestazioni e le tecniche per migliorare la loro capacità con un approccio online che retraina il modello di predizione. Infine, questa idea è estesa al caso in cui si utilizza lo stesso controller in un edificio diverso utilizzando un modello preaddestrato. Si ottiene quindy un'analisi delle performance sulla migliore configurazione per un retraining online.