Generation of synthetic room temperature profiles using Generative Adversarial Networks (GANs)

The monitoring of indoor daily temperature profiles plays a crucial role in improving building energy efficiency and optimizing the design of heating, ventilation and air conditioning (HVAC) systems, ensuring the building’s occupants thermal comfort. With the integration of control systems within buildings, smart technologies are adopted to observe and record time-series data on internal thermal conditions. The availability of these data allows the creation of data-driven models which contribute to building operations improvement and optimization. However, data collection often has to face some challenges, especially regarding privacy, limiting the quantity of data accumulated, reducing the possibility to draw conclusions and to make important decisions regarding the energy management of the building. In response to these challenges, this study proposes a novel approach for generating realistic daily temperature profiles for buildings, employing Generative Adversarial Networks (GANs), a deep-learning-based algorithm capable of discovering and learning patterns in input data measured by multiple sensors. The methodology involves preprocessing input data, developing and training a GAN model to generate daily temperature profiles, evaluating the performance on three distinct datasets. The proposed model has been validated by comparing the mean profiles, the standard deviation, the mean squared error, the root mean squared error and the statistical distributions of the generated data with respect to the real ones. Despite the network saturation challenge during the training phase, results showed a good accuracy in generating daily synthetic temperature profiles. In particular, the averagesensor model demonstrates promising performance, with a RMSE of 0.97°C. This research offers a contribution to the building energy management field, generating daily building temperature profiles and providing a solution to the challenges of manual data collections and privacy concerns.

Il monitoraggio dei profili di temperatura interna svolge un ruolo fondamentale nel miglioramento dell’efficienza energetica degli edifici e nella progettazione ottimale degli impianti di riscaldamento, raffrescamento, ventilazione e condizionamento dell’aria (HVAC), garantendo contemporaneamente il comfort degli occupanti. Con l’introduzione dei sistemi di controllo negli edifici, vengono impiegate diverse tecnologie intelligenti per osservare e registrare dati temporali relativi alle condizioni termiche interne degli ambienti. Questi dati consentono la creazione di modelli basati sui dati che contribuiscono al miglioramento e all’ottimizzazione delle operazioni a livello dell’edificio. Tuttavia, durante la raccolta dei dati si affrontano delle sfide significative, in particolare riguardo la privacy, che possono limitare la quantità di informazioni disponibili e influenzare le decisioni relative alla gestione energetica dell’edificio. Per affrontare queste problematiche, il presente studio propone un nuovo approccio per la generazione di profili giornalieri realistici della temperatura interna degli edifici, implementando le Generative Adversarial Networks (GANs), un algoritmo basato sul deep learning in grado di apprendere e riprodurre i modelli e le distribuzioni dei dati di input provenienti da vari sensori. La metodologia di lavoro comprende la preparazione dei dati di input, lo sviluppo e l’addestramento del modello GAN per la generazione dei profili giornalieri di temperatura, e la valutazione delle performance del modello utilizzando tre dataset distinti. Il modello proposto è stato validato confrontando i profili medi, la deviazione standard, l’errore quadratico medio, la varianza interna e le distribuzioni dei dati generati rispetto a quelli reali. Nonostante si sia verificato un problema di saturazione del modello durante la fase di allenamento, i risultati dimostrano un’accuratezza soddisfacente nella generazione di profili sintetici di temperatura. In particolare, il modello che utilizza il dataset con i profili medi ha registrato le prestazioni migliori, con un RMSE pari a 0.97°C. Questa ricerca offre un contributo significativo nel campo della gestione energetica degli edifici, fornendo una soluzione alle sfide relative alla raccolta dei dati manuali e alla tutela della privacy, attraverso la generazione di profili giornalieri di temperatura.