Machine learning models for predicting indoor temperature of central-heated residential buildings

Abstract

Space-heating of central-heated residential buildings accounts for a significant proportion of the total energy consumption in Nordic countries, particularly. Thus, it is important to strive for more energy-efficient solutions to decrease the proportion. The relevance of the issue is stressed further by global warming and the recent energy crisis in Europe.

Model predictive control (MPC) applications for space-heating exploit available data about the factors affecting buildings' thermal behaviour effectively to reduce energy use. At the core of them are the predictive indoor temperature models. The formulations of the practical model variants are often inspired by the physical principles behind the modelled systems. In this work, these are called grey-box models. Although the grey-box models have been successfully applied to real-world use, their theory-driven formulation of the problem necessitates strong simplifying assumptions about the modelled system, which might lead to limited performance. Black-box techniques do not require such assumptions but strive to learn the relationships of the modelled system entirely from the historical data by using high-capacity approximation functions with a large number of adjustable parameters.

In this work, some of the widely used black-box methods are compared against a reference grey-box model used in real-world space-heating MPC applications. The explored black-box techniques include random forests, gradient boosting, and long short-term memory (LSTM) neural networks. The experiments conducted on real-world instances show that proportional to the reference model, the added flexibility of the implemented black-box models consistently leads to improved predictive accuracy without suffering notably in terms of extrapolation ability. Furthermore, an efficient technique for enabling enhanced information transfer between buildings of similar learned thermal behaviour was found by exploiting the properties of LSTMs as a deep learning model.

Overall, the results of the thesis are encouraging, and motivate future studies on seeking indoor temperature models that optimally combine the strengths of both, data- and theory-based, approaches.

Keskuslämmitettyjen asuinrakennusten sisätilojen lämmittäminen muodostaa merkittävän osuuden energian kokonaiskulutuksesta erityisesti pohjoismaissa, minkä vuoksi on tärkeää pyrkiä energiatehokkaampiin ratkaisuihin. Ilmaston lämpeneminen sekä viimeaikainen energiakriisi Euroopassa korostavat asian merkitystä entisestään.

Kulutuksen pienentämiseksi, sisätilojen lämmittämiseen tarkoitetut malliennusteiset ohjaussovellukset hyödyntävät tehokkaasti saatavilla olevaa dataa tekijöistä, jotka vaikuttavat rakennusten lämpökäyttäytymiseen. Niiden toiminnan perustan muodostavat ennustavat sisälämpötilamallit. Todellisuudessa hyödynnettävät muunnelmat näistä malleista on usein muotoiltu pohjautuen mallinnetussa systeemissä vallitseviin fysikaalisiin lakeihin. Tässä työssä näitä kutsutaan harmaan laatikon malleiksi. Vaikka niiden soveltaminen käytäntöön on ollut menestyksekästä, teoriapohjainen muotoilu vaatii voimakkaasti yksinkertaistavia olettamia mallinnetusta systeemistä, mikä voi johtaa ennustekyvyn rajoittumiseen. Mustan laatikon mallit eivät vaadi edellä mainittuja olettamia, vaan pyrkivät oppimaan mallinnetussa systeemissä vallitsevat kausaliteetit kokonaan datasta käyttämällä korkean kapasiteetin approksimaatiofunktioita, joissa on suuri määrä säädettäviä parametreja.

Tässä työssä vertailemme joitain mustan laatikon menetelmiä erääseen harmaan laatikon vertailumalliin, joka toimii osana tosielämässä käytettyä malliennusteista ohjausratkaisua sisätilojen lämmittämiseksi. Tutkittuja mustan laatikon mallinnustekniikoita ovat satunnaismetsät, gradienttitehostus ja pitkäkestoiset lyhytkestomuistineuroverkot. Suoritetut kokeet osoittavat, että suhteessa vertailumalliin mustan laatikon mallien lisäämä mallinnusjoustavuus johtaa järjestään tarkempiin ennusteisiin kärsimättä merkittävästi ekstrapolointikyvyssä. Hyödyntämällä syväoppimismallien vahvuuksia, työssä kehitettiin myös tehokas tekniikka tiedonsiirron vahvistamiseksi rakennusten välillä, joille mallit havaitsevat samankaltaisen lämpökäyttäytymisen.

Kaiken kaikkiaan opinnäytetyön tulokset ovat rohkaisevia ja motivoivat tulevaisuuden tutkimuksia sisälämpötilamallien etsimiseksi, jotka yhdistelevät data- ja teoriapohjautuvien lähestymistapojen vahvuuksia optimaalisesti.