Building heat energy disaggregation with deep learning

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu | Master's thesis
Date
2023-12-11
Department
Major/Subject
Energy Storage
Mcode
Degree programme
Master’s programme in Energy Storage
Language
en
Pages
56 + 9
Series
Abstract
Energy retrofit projects for existing buildings aim to improve energy acquisition costs and overall energy efficiency. Informed energy investment decisions require extensive data to achieve optimal results. Overall energy consumption provides only a partial picture of the information required and consumption data segmented by energy end-use is needed to make informed investment decisions. However, detailed consumption data is rarely available and only overall energy consumption time series are available. Engineering consultancies receive technical information, architectural drawings and building parameters as part of project initial data. Based on this information, a simulation model can be constructed to obtain the disaggregated consumption data. However, developing a simulation model is time and resource intensive. In this study, a data-driven model for building heat disaggregation task was developed. A literature review of data-driven models in energy disaggregation and energy prediction and forecasting was conducted. Machine learning algorithms were found to achieve good performance in disaggregation and prediction tasks in the energy domain with neural networks exhibiting best results. A dataset was constructed from the simulations of the building design tool IDA ICE. The dataset was analysed and engineered into a training dataset for data-driven model development. A variety of neural network architectures were trained on the heat disaggregation task. Feedforward network with four hidden layers and 127 004 trainable parameters achieved the best validation performance with MAE of 0.0814, RMSE of 0.1388 and r2-score of 0.704. The performance of the model was evaluated with respect to energy industry model validation methodologies as well as with respect to the end-use case of the model. The model was assessed to perform the heat energy disaggregation task sufficiently. High maximum errors as well as a relatively low r2-score are key factor to reconsider if the model is to be deployed in other than preliminary assessment tasks.

Rakennusten energiatehokkuuden parantaminen vähentää energian hankintakustannuksia ja parantaa kokonaisenergiatehokkuutta. Optimaaliset päätökset energiatehokkuushankkeissa vaativat kuitenkin kattavaa tietoa rakennusten rakenteista ja kulutuksesta. Usein saatavilla on vain rakennusten läm-pöenergian kokonaiskulutuksen aikasarja, vaikka kokonaisvaltaisen kuvan muodostamiseksi eritelty lämmön kulutusdata olisi tehtävään soveltuvampaa. Insinööritoimistot saavat osana energiatehokkuushankkeiden lähtötietoina rakenteellisia dokumentteja sekä usein lämpöenergian kokonaiskulutusdataa. Näiden tietojen perusteella on mahdollista rakentaa yksityiskohtainen simu-laatiomalli eritellyn kulutusdatan saamiseksi. Simulointimallin kehittäminen vaatii kuitenkin merkittävästi aikaa ja resursseja. Tässä työssä kehitettiin tietopohjainen koneoppimismalli rakennuksen kokonaislämmön kulutuksen erittelyä varten. Osana työtä suoritettiin kirjallisuuskatsaus tietopohjaisten mallien käytöstä energian ennustemalleissa. Koneoppimismallit ovat saavuttaneet hyviä tuloksia energian kulutuksen erittely- ja ennustetehtävissä ja neuroverkkoihin perustuvien algoritmien käyttö on nostanut mallien suorituskykyä. Tämän työn koneoppimismallin koulutusmateriaali koottiin IDA ICE -simulointityökalulla toteutetuista simuloinneista ja niiden tuloksista. Lämmön kokonaiskulutuksen erittelytehtävään koulutettiin useita neuroverkkoarkkitehtuureja. Neljän piilokerroksen ja 127 004 vapaan parametrin eteenpäin kytkeytyvä verkko saavutti parhaan validointisuorituksen. Validointiaineiston MAE oli 0,0814, RMSE oli 0,1388 ja r2-pisteytys oli 0,704. Mallin suorituskykyä arvioitiin energiateollisuusmallien vakiintuneiden metodologioiden sekä mallin käyttötarkoituksen mukaan. Mallin suorituskyvyn ja tarkkuuden todettiin olevan riittävä lopulliseen käyttötarkoitukseen, rakennusten lämpöenergiakulutuksen alustavaan erittelyyn. Korkeat maksimivirheet ja suhteellisen alhainen r2-pisteytys ovat kuitenkin tekijöitä, jotka on otettava huomioon, jos mallia käytetään muissa kuin alustavissa arviointitehtävissä.
Description
Supervisor
Lahdelma, Risto
Thesis advisor
Hilpinen, Joni
Santos Silva, Carlos
Keywords
machine learninng, deep learning, energy modelling, energy disaggregation
Other note
Citation