Deep learning-based pipelines for occupancy driven smart ramp-up implementation in commerical buildings

The present thesis is focused on developing machine learning and deep learning-based pipelines to facilitate the implementation of occupancy-driven smart ramp-up procedure for the heating system of a commercial building. In this context, employing thermal and occupancy data that has been recorded by the building’s monitoring system, the ramp-up duration and arrival times of the users are detected. It is then demonstrated that the potential saving window in each day that can be achieved through occupancy-driven start-up of the heating supply unit is 63 minutes on average in the whole period and 114 minutes for a selected test period (late days of January). In the next step, machine learning and deep learning-based pipelines are implemented for the estimation of ramp-up duration and the occupant’s arrival. The obtained results for ramp-up duration estimation demonstrated that the gradient boosting regressor and the three-layer dense neural network model provide the highest prediction performance, resulting in the mean absolute error (MAE) of 10.9 and 10.6 minutes respectively. For arrival time prediction instead, the dense neural network model (MAE: 7 minutes) and Tweedie regressor (MAE: 4.7 minutes) are shown to be the most promising prediction models. Furthermore, the over-fitting issue that is observed in neural networks is analyzed and possible solutions to resolve this problem are suggested. Finally, to provide a reliable pipeline, the models’ maximum over-estimation in the ramp-up duration estimation and under-estimation of arrival times have been determined. It is thus shown that, considering the accuracy of the pipelines, an average saving window of 90 minutes (out of the potential 114 minutes determined for the test period) can be obtained.

La presente tesi è incentrata sullo sviluppo di pipeline basate su machine learning e deep learning per facilitare l'implementazione di una procedura di ramp-up intelligente guidata dall'occupazione per il sistema di riscaldamento di un edificio commerciale. In questo contesto, utilizzando i dati termici e di occupazione che sono stati registrati dal sistema di monitoraggio dell'edificio, vengono rilevati la durata del ramp-up e gli orari di arrivo degli utenti. Viene poi dimostrato che la potenziale finestra di risparmio in ogni giorno che può essere raggiunta attraverso l'avviamento guidato dall'occupazione dell'unità di alimentazione del riscaldamento è di 63 minuti in media in tutto il periodo e 114 minuti per un periodo di prova selezionato (fine gennaio). Nella fase successiva, vengono implementate pipeline basate su machine learning e deep learning per la stima della durata del ramp-up e dell'arrivo dell'occupante. I risultati ottenuti per la stima della durata di rampa hanno dimostrato che il regressore gradient boosting e il modello di rete neurale densa a tre strati forniscono le prestazioni di previsione più elevate, con un errore assoluto medio (MAE) di 10,9 e 10,6 minuti rispettivamente. Per la previsione dell'orario di arrivo invece, il modello di rete neurale denso (MAE: 7 minuti) e il regressore Tweedie (MAE: 4,7 minuti) si dimostrano i modelli di previsione più promettenti. Inoltre, viene analizzato il problema dell'over-fitting che si osserva nelle reti neurali e vengono suggerite possibili soluzioni per risolvere questo problema. Infine, per fornire una pipeline affidabile, è stata determinata la massima sovrastima dei modelli nella stima della durata del ramp-up e la sottostima dei tempi di arrivo. Si dimostra così che, considerando la precisione delle pipeline, si può ottenere una finestra di risparmio media di 90 minuti (sui 114 minuti potenziali determinati per il periodo di test).