Ramp-up duration estimation in a smart building utilizing sliding window-based machine learning

In the present work, machine learning-based models for estimating the ramp-up duration of indoor spaces, which permit just-in-time start-up of the fan coil units in a smart building, are developed. A medical centre in Northern Italy, which is equipped with a real-time monitoring system, is considered as the case study and the models are created for 15 thermal zones within the building. Firstly, exploration and analysis of the data is performed to illustrate and capture the thermal behaviour of each indoor space in the heating season. The data exploration step also permits detecting and discarding the data recorded in the intervals in which the technical issues have affected the HVAC system. Several parameters that represent the internal temperature, outside conditions, and the thermal inertia of the building, are introduced as input variables. Next, employing a feature selection procedure, the most relevant set of features is identified for each model in order to simplify the pipelines and to improve their performance. The performance of different machine learning algorithms, while implementing two different training approaches, is evaluated. In the first approach, the model is trained employing a static dataset (offline learning); while a sliding window-based learning is implemented in the second approach. It is demonstrated that Extra Trees algorithm provides the highest accuracy. It is also shown that by employing the sliding window-based approach a higher performance can be achieved (mean absolute error of 7 minutes), which is attributed to the fact that this approach permits capturing the gradual variations in the behaviour of the HVAC supply unit and the indoor environment (self-calibration). Moreover, the energy-saving potential (compared with the resulting consumption of the currently utilized HVAC control strategy) is shown to be notable. In the existing system, the ramp-up of the rooms start 140 or 95 minutes (fixed value depending on the room) before the expected arrival time of the occupants, whilst the average actual ramp-up duration is demonstrated to be 28 minutes. It is found that taking into account the accuracy of the implemented models, a mean saving window of 80 minutes can be obtained. Therefore, the developed models permit reducing the energy consumption of the building substantially through delaying the start-up of fan coils (considering the corresponding ramp-up duration estimation that is determined individually for each room), while guaranteeing the occupants’ thermal comfort.

Nel presente lavoro vengono sviluppati modelli basati sul machine learning per stimare la durata del ramp-up degli spazi interni, che permettono l'avvio just-in-time delle unità fan coil in un edificio intelligente. Un centro medico nel Nord Italia, che è dotato di un sistema di monitoraggio in tempo reale, è considerato come caso studio e i modelli sono creati per 15 zone termiche all'interno dell'edificio. In primo luogo, l'esplorazione e l'analisi dei dati viene eseguita per illustrare e catturare il comportamento termico di ogni spazio interno nella stagione di riscaldamento. La fase di esplorazione dei dati permette anche di rilevare e scartare i dati registrati negli intervalli in cui i problemi tecnici hanno colpito il sistema HVAC. Diversi parametri che rappresentano la temperatura interna, le condizioni esterne e l'inerzia termica dell'edificio, sono introdotti come variabili di input. Successivamente, utilizzando una procedura di selezione dei parametri. La performance di diversi algoritmi di machine learning, mentre si implementano due diversi approcci di formazione, viene poi valutata. Nel primo approccio, il modello viene addestrato utilizzando un dataset statico (apprendimento offline); mentre, nel secondo approccio, viene implementato un apprendimento basato su finestre scorrevoli. Si dimostra che l'algoritmo Extra Trees fornisce la massima accuratezza. Si dimostra anche che impiegando l'approccio basato su finestre scorrevoli si può raggiungere una performance più alta (errore assoluto medio di 7 minuti), che è attribuito al fatto che questo approccio permette di catturare le variazioni graduali nel comportamento dell'unità di alimentazione HVAC e dell'ambiente interno (auto-calibrazione). Inoltre, il potenziale di risparmio energetico (rispetto al consumo risultante dalla strategia di controllo HVAC attualmente utilizzata) è notevole. Nel sistema esistente, il ramp-up delle stanze inizia 140 o 95 minuti (valore fisso a seconda della stanza) prima dell'orario di arrivo previsto degli occupanti, mentre la durata media effettiva del ramp-up è dimostrata essere di 28 minuti. Si trova che, tenendo conto della precisione dei modelli implementati, si può ottenere una finestra media di risparmio di 80 minuti. Pertanto, i modelli sviluppati permettono di ridurre il consumo energetico dell'edificio in modo sostanziale ritardando l'avvio dei fan-coil (considerando la durata di ramp-up corrispondente che è determinata individualmente per ogni stanza), pur garantendo il comfort termico degli occupanti.