Machine Learning Applications for Energy Utilization of Smart Buildings

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
School of Science | Doctoral thesis (article-based) | Defence date: 2022-12-16
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
66 + app. 110
Series
Aalto University publication series DOCTORAL THESES, 186/2022
Abstract
Energy utilization of smart or intelligent buildings refers to the definition, modeling, and integration of disparate energy elements into coherent energy systems in buildings with the help of artificial intelligence. A core aspect of applications for smart building energy is to address the issues of energy utilization directly while simultaneously taking into account user-comfort, security and malfunctions. Being deployed in increasing numbers in the built environment, these applications are important components of the built environment today. Given the risen number of renewable energy sources together with tightened regulation to energy consumption, the smart building energy applications provide means to combine new technology components together with heterogeneous requirements and goals for energy utilization in buildings. These goals comprise of, for instance, optimal scheduling of energy consumption and production, optimization of costs, integration of renewable energy, user-behavior recognition, and consumer comfort. This research investigates smart building energy applications. This objective is pursued through four research questions which highlight the various aspects of the smart building energy applications: (i) What algorithm to utilize for forecasting the equipment degradation, and what kind of uncertainty is associated with these forecasts for battery packs? (ii) How to build a model in case of gaps or a limited number of observations of interest in data for an air handling unit? (iii) How to involve people in personal environmental comfort decisions for smart building energy applications?, and, finally, (iv) what kind of need is there for smart building energy applications, and which solutions meet these needs? Each of these issues is dealt with using novel techniques, and a related taxonomy was created, as presented in the research publications. The relevance of the proposed solutions is verified with case-studies. Overall, machine learning models solve heterogeneous problems in the field of smart building energy utilization. The results indicate that the proposed solutions can provide answers to a variety of issues regarding building energy management, smart grid, personalization, and maintenance and security.

Älyenergiaratkaisut tarjoavat joustavaa ja kestävää energiaa rakennuksissa ja liikenteessä.Älyenergiasovelluksia käytetäänkin enenevässä määrin rakennetussa ympäristössä.Samanaikaisesti ratkottavia ongelmia älyenergiasovelluksissa ovat energiansäästö,lämpöviihtyvyys, ja epänormaalien tilanteiden hallinta. Uusiutuvien energianlähteiden lisääntynyt käyttö ja lainsäädännön tiukentuneet vaatimukset energiankäytöstä vaativat uusia ratkaisuja, joita älyenergiasovellukset voivat tarjota. Ne soveltuvat erityisen hyvin, jos vaatimuksia on monia tai neovat jopa näennäisesti ristiriitaisia. Tällaisia vaatimuksia ovat muun muassa järjestelmien käytön optimointi, kulujen vähentäminen, uusiutuvan energian liittäminen järjestelmään ja käyttäjien lämpöviihtyvyys. Tämä tutkimus pohtii älyenergiasovelluksia rakennuksissa. Aihetta lähestytään tutkimuskysymysten kautta: (i) Minkä algoritmien avulla voidaan tutkia akkulaitteiston ikääntymistä ja mikä on algoritmisesta mallista saatujen tulosten epävarmuus? (ii) Kuinka mallintaa, kun pohjadata on epätasapainoissa ja ei ole täydellisen kattavaa (esimerkkinä ilmanvaihtolaitteen data)? (iii) Miten ottaa huomioon ihmiset lämpöviihtyvyyden määrityksessä ja siihen liittyvässä päätöksenteossa? (iv) Minkälaisia tarpeita on olemassa älyenergiasovelluksille ja mitkä sovellukset tarjoavat ratkaisuja niille? Jokaista tutkimuskysymystä käsiteltiin uusilla keinoilla, kehitetyt ratkaisut luokiteltiin taksonomisesti, ja kaikki tutkimustulokset julkaistiin lopulta viitenä julkaisuna. Ehdotettujen sovellusten sopivuus varmennettiin tapaustutkimusten avulla. Koneoppimista voidaan soveltaa monitahoisiin ongelmiin rakennusten energiankäyttöön liittyen. Saadut tutkimustulokset antavat viitettä siitä, että ehdotetut sovellukset voivat ratkaista ongelmia, jotka liittyvätenergiatehokkuuteen, lämpöviihtyvyyteen ja huoltoon.
Description
Supervising professor
Främling, Kary, prof., Aalto University, Department of Computer Science, Finland, Umeå University, Sweden
Thesis advisor
Ihasalo, Heikki, Prof., Aalto University, Finland
Keywords
machine learning applications for energy utilization, smart buildings, energy utilization, koneoppiminen, energiankäytön sovellukset, älyrakennukset, energiankäyttö
Other note
Parts
  • [Publication 1]: Huotari, Matti and Arora, Shashank and Malhi, Avleen and Främling, Kary. A dynamic state-of-health forecasting model for electric trucks: Li-ion batteries case-study. In International Mechanical Engineering Congress and Exposition IMECE2020, virtual conference, 84560, V008T08A021, 2020.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202103312713
    DOI: 10.1115/IMECE2020-23949 View at publisher
  • [Publication 2]: Huotari, Matti and Arora, Shashank and Malhi, Avleen and Främling, Kary. Comparing seven methods for state-of-health time series prediction for the lithium-ion battery packs of forklifts. Applied Soft Computing, 111, 107670, 2021.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202108048189
    DOI: 10.1016/j.asoc.2021.107670 View at publisher
  • [Publication 3]: Huotari, Matti and Främling, Kary. Event classification with imbalanced and missing data for an air-handling unit. In 2022 5th International Conference on Big Data and Artificial Intelligence, Fuzhou, China, 5, 82-86, 2022.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202209075384
    DOI: 10.1109/BDAI56143.2022.9862614 View at publisher
  • [Publication 4]: Huotari, Matti and Keyriläinen, Tuomas and Främling, Kary. Multiclass estimation of human thermal preference for building controls based on user feedback and multi-sensor measurements. Applied Soft Computing, (submitted), 2022
  • [Publication 5]: Huotari, Matti and Malhi, Avleen and Främling, Kary. Machine Learning Applications for Smart Building Energy Utilization - A Survey. Archives of Computational Methods in Engineering, (submitted), 2022
Citation