Data-driven models for building energy efficiency monitoring

Abstract

Nowadays, energy is absolutely necessary all over the world. Taking into account the advantages that it presents in transport and the needs of homes and industry, energy is transformed into electricity. Bearing in mind the expansion of electricity, initiatives like Horizon 2020, pursue the objective of a more sustainable future: reducing the emissions of carbon and electricity consumption and increasing the use of renewable energies. As an answer to the shortcomings of the traditional electrical network, such as large distances to the point of consumption, low levels of flexibility, low sustainability, low quality of energy, the difficulties of storing electricity, etc., Smart Grids (SG), a natural evolution of the classical network, has appeared. One of the main components that will allow the SG to improve the traditional grid is the Energy Management System (EMS). The EMS is necessary to carry out the management of the power network system, and one of the main needs of the EMS is a prediction system: that is, to know in advance the electricity consumption. Besides, the utilities will also require predictions to manage the generation, maintenance and their investments. Therefore, it is necessary to dispose of the systems of prediction of the electrical consumption that, based on the available data, forecast the consumption of the next hours, days or months, in the most accurate way possible. It is in this field where the present research is placed since, due to the proliferation of sensor networks and more powerful computers, more precise prediction systems have been developed. Having said that, a complete study has been realized in the first work, taking into account the need to know, in depth, the state of the art, in relation to the load forecasting topic. On the basis of acquired knowledge, the installation of sensor networks, the collection of consumption data and modelling, using Autoregressive (AR) models, were performed in the second work. Once this model was defined, in the third work, another step was made, collecting new data, such as building occupancy, meteorology and indoor ambience, testing several paradigmatic models, such as Multiple Linear Regression (MLR), Artificial Neural Network (ANN) and Support Vector Regression (SVR), and establishing which exogenous data improves the prediction accuracy of the models. Reaching this point, and having corroborated that the use of occupancy data improves the prediction, there was the necessity of generating techniques and methodologies, in order to have the occupancy data in advance. Therefore, several attributes of artificial occupancy were designed, in order to perform long-term hourly consumption predictions, in the fourth work.

A dia d’avui l’energia és un bé completament necessari arreu del món. Degut als avantatges que presenta en el transport i a les necessitats de les llars i la indústria, l’energia és transformada en energia elèctrica. Tenint en compte la total expansió i domini de l’electricitat, iniciatives com Horitzó 2020, tenen per objectiu un futur més sostenible: reduint les emissions de carboni i el consum i incrementant l’ús de renovables. Partint dels defectes de la xarxa elèctrica clàssica, com són gran distància al punt de consum, poca flexibilitat, baixa sostenibilitat, baixa qualitat de l’energia, dificultats per a emmagatzemar energia, etc. apareixen les Smart Grid (SG), una evolució natural de la xarxa clàssica. Un dels principals elements que permetrà a les SG millorar les xarxes clàssiques és l’Energy Management System (EMS). Així doncs, per a que l’EMS pugui dur a terme la gestió dels diversos elements, una de les necessitats bàsiques dels EMS serà un sistema de predicció, o sigui, saber per endavant quin consum hi haurà en un entorn determinat. A més, les empreses subministradores d’electricitat també requeriran de prediccions per a gestionar la generació, el manteniment i fins i tot les inversions a llarg termini. Així doncs ens calen sistemes de predicció del consum elèctric que, partint de les dades disponibles, ens subministrin el consum que hi haurà d’aquí a unes hores, uns dies o uns mesos, de la manera més aproximada possible. És dins d’aquest camp on s’ubica la recerca que presentem. Degut a la proliferació de xarxes de sensors i computadors més potents, s’han pogut desenvolupar sistemes de predicció més precisos. A tall de resum, en el primer treball, i tenint en compte que s’havia de conèixer en profunditat l’estat de la qüestió en relació a la predicció del consum elèctric, es va fer una anàlisi completa de l’estat de l’art. Un cop fet això, i partint del coneixement adquirit, en el segon treball es va dur a terme la instal•lació de les xarxes de sensors, la recollida de dades de consum i el modelatge amb models lineals d’auto-regressió (AR). En el tercer treball, un cop fets els models es va anar un pas més enllà recollint dades d’ocupació, de meteorologia i ambient interior, provant diferents models paradigmàtics com Multiple Linear Regression (MLR), Artificial Neural Network (ANN) i Support Vector Regression (SVR) i establint quines dades exògenes milloren la predicció dels models. Arribat a aquest punt, i havent corroborat que l’ús de dades d’ocupació millora la predicció, es van generar tècniques per tal de disposar de les dades d’ocupació per endavant, o sigui a hores vista. D’aquesta manera es van dissenyar diferents atributs d’ocupació artificials, permetent-nos fer prediccions horàries de consum a llarg termini. Aquests conceptes s’expliquen en profunditat al quart treball.