Development of generative adversarial networks (GANs) for the reconstruction of missing energy data time-series

This study explores the application of a deep learning model, based on Generative Adversarial Network technology, called Deep Convolutional GAN, in reconstruction of missing energy data time series, and, in particular, electricity consumption data of buildings. Given the importance of accurate and complete energy data to improve building efficiency and mitigate the impact of climate change, filling data gaps caused by sensor malfunctions and anomalies in HVAC systems is crucial. This work analyzes in detail the relationship between quality and quantity of input data, model complexity and machine learning approach, which is fundamental for the effectiveness of data-driven methods in reconstructing energy data. From the research, it emerged that model optimization, through hyperparameter tuning, is of significant importance for a robust and reliable model, with particular attention to the balance of the learning capabilities of the generator and discriminator, to the optimizer’s calibration and to the use of regulators in the convolutional layers. The performance of the model was analyzed in relation to variables such as the size of the training set and the corruption rate of the set and the use of data augmentation in the training data. The results highlighted promising performances on the building sample, with a root mean squared error (RMSE) 7.84% lower than the comparative baseline. The data augmentation produced increased results with a reduction of 8.42% compared to the baseline. However, its effectiveness decreases as corruption rates increase, highlighting the multiple influences of data complexity and availability. The ability to generalize of the model on other buildings, characterized by data with similar density distribution to the sample building, is still an open challenge, in order to obtain an effectively adaptable deep learning model in building energy efficiency sector.

Questo studio esplora l’applicazione di un modello di deep learning, basato sulla tecnologia Generative Adversarial Network, chiamato Deep Convolutional GAN, nella ricostruzione di serie temporali di dati energetici mancanti, e, in particolare, di dati di consumo elettrico degli edifici. Data l’importanza di dati energetici accurati e completi per migliorare l’efficienza degli edifici e mitigare l’impatto dei cambiamenti climatici, è fondamentale colmare le lacune nei dati causate da malfunzionamenti dei sensori e anomalie nei sistemi HVAC. Questo lavoro analizza in dettaglio la relazione tra qualità e quantità dei dati di input, complessità del modello e approccio di machine learning, fondamentale per l’efficacia dei metodi data-driven nella ricostruzione dei dati energetici. Dalla ricerca è emerso che l’ottimizzazione del modello, attraverso il tuning degli iperparametri, è di notevole importanza per un modello robusto e affidabile, con particolare attenzione all’equilibrio delle capacità di apprendimento del generatore e del discriminatore, alla calibrazione dell’ottimizzatore e all’uso di regolatori negli strati convoluzionali. Le prestazioni del modello sono state analizzate in relazione a variabili quali la dimensione del set di addestramento e il tasso di corruzione del set e l’uso dell’aumento dei dati nei set di addestramento. I risultati hanno evidenziato prestazioni promettenti sull’edificio campione, con un’errore quadratico medio (RMSE) inferiore del 7,84% rispetto al riferimento comparativo. L’aumento dei dati ha prodotto risultati migliori con una riduzione dell’8,42% rispetto alla stessa Baseline. Tuttavia, la sua efficacia diminuisce con l’aumento dei tassi di corruzione, evidenziando le molteplici influenze della complessità e della disponibilità dei dati. La capacità di generalizzare il modello su altri edifici, caratterizzati da dati con distribuzione di densità simile a quella dell’edificio campione, è ancora una sfida aperta, al fine di ottenere un modello di deep learning adattabile e affidabile nel settore dell’efficienza energetica degli edifici.