Data-driven methodologies for evaluation and recommendation of energy efficiency measures in buildings. Applications in a big data environment

Abstract

In order to reach the goal set in the Paris agreement of limiting the rise in global average temperature well below 2 ºC compared to pre-industrial levels, massive efforts to reduce global greenhouse gas emissions are required. The building sector is currently responsible for about 28% of total global CO2 emissions, meaning that there is substantial savings potential lying in the correct energy management of buildings and the implementation of renovation strategies. Digital tools and data-driven techniques are rapidly gaining momentum as approaches that are able to harness the large amount of data gathered in the building sector and provide solutions able to reduce the carbon footprint of the built environment.

The objective of this doctoral thesis is to investigate the potential of data-driven techniques in different applications aimed at improving energy efficiency in buildings. More specifically, different novel approaches to verify energy savings, characterize consumption patterns, and recommend energy retrofitting strategies are described. The presented methodologies prove to be powerful tools that can produce valuable, actionable insights for energy managers and other stakeholders.

Initially, a comprehensive and detailed overview is provided of different state-of-the-art methodologies to quantify energy efficiency savings and to predict the impact of retrofitting strategies in buildings. Strengths and weaknesses of the analyzed approaches are discussed, and guidance is provided to assess the best performing methodology depending on the case in analysis and data available. Among the reviewed approaches there are statistical and machine learning models, Bayesian methods, deterministic approaches, and hybrid techniques combining deterministic and data-driven models.

Subsequently, a novel data-driven methodology is proposed to perform measurement and verification calculations, with the main focus on non-residential buildings and facilities. The approach is based on the extraction of frequent consumption profile patterns and on a novel technique able to evaluate the building’s weather dependence. This information is used to design a model that can accurately estimate achieved energy savings at daily scale. The method was tested on two use-cases, one using synthetic data generated using a building energy simulation software and one using monitoring data from three existing buildings in Catalonia. The results obtained with the proposed methodology are compared with the ones provided by a state-of-the-art model, showing accuracy improvement and increased robustness to missing data. The second data-driven tool that developed in this research work is a Bayesian linear regression methodology to calculate hourly energy baseline predictions in non-residential buildings and characterize their consumption patterns. The approach was tested on 1578 non-residential buildings that are part of a large building energy consumption open dataset. The results show that the Bayesian methodology is able to provide accurate baseline estimations with an explainable and intuitive model. Special focus is also given to uncertainty estimations, which are inherently provided by Bayesian techniques and have great importance in risk assessments for energy efficiency projects.

Finally, a concept methodology that can be used to recommend and prioritize energy efficiency projects in buildings and facilities is presented. This data-driven approach is based on the comparison of groups of similar buildings and on an algorithm that can map savings obtained with energy renovation strategies to the characteristics of the buildings where they were implemented. Recommendation for implementation of such a methodology in big data building energy management platforms is provided.

Para alcanzar el objetivo fijado en el acuerdo de París de limitar el aumento de la temperatura media mundial muy por debajo de los 2 °C con respecto a los niveles preindustriales, es necesario realizar esfuerzos masivos para reducir las emisiones mundiales de gases de efecto invernadero. El sector de la edificación es actualmente responsable de alrededor del 28% de las emisiones totales de CO2 a nivel mundial, lo que significa que existe un potencial de ahorro sustancial en la correcta gestión energética de los edificios y en la aplicación de estrategias de renovación. Las herramientas digitales y las técnicas basadas en datos están ganando rápidamente impulso como enfoques capaces de aprovechar la gran cantidad de datos recopilados en el sector de la edificación y proporcionar soluciones capaces de reducir la huella de carbono del entorno construido. El objetivo de esta tesis doctoral es investigar el potencial de las técnicas basadas en datos en diferentes aplicaciones destinadas a mejorar la eficiencia energética de los edificios. Más concretamente, se describen diferentes enfoques novedosos para verificar el ahorro de energía, caracterizar los patrones de consumo y recomendar estrategias de rehabilitación energética. Las metodologías presentadas demuestran ser poderosas herramientas que pueden producir valiosos conocimientos para los gestores energéticos y otras partes interesadas. En primer lugar, se ofrece una visión general y detallada de las distintas metodologías más avanzadas para cuantificar el ahorro de energía y predecir el impacto de las estrategias de rehabilitación en los edificios. Se discuten los puntos fuertes y débiles de los enfoques analizados y se ofrecen orientaciones para evaluar la metodología más eficaz en función del caso en análisis y de los datos disponibles. Entre los enfoques revisados hay modelos estadísticos y de aprendizaje automático, métodos Bayesianos, enfoques deterministas y técnicas híbridas que combinan modelos deterministas y basados en datos. Posteriormente, se propone una novedosa metodología basada en datos para realizar cálculos de medición y verificación, centrada principalmente en edificios e instalaciones no residenciales. El enfoque se basa en la extracción de patrones de perfiles de consumo frecuentes y en una técnica innovadora capaz de evaluar la dependencia climática del edificio. Esta información se utiliza para diseñar un modelo que puede estimar con precisión el ahorro energético conseguido a escala diaria. El método se ha probado en dos casos de uso, uno con datos sintéticos generados mediante un software de simulación energética de edificios, y otro con datos de monitorización de tres edificios existentes en Cataluña. Los resultados obtenidos con la metodología propuesta se comparan con los proporcionados por un modelo de última generación, mostrando una mejora de la precisión y una mayor robustez ante la falta de datos. La segunda herramienta basada en datos que se desarrolló en este trabajo de investigación es una metodología de regresión lineal Bayesiana para calcular las predicciones de línea base de energía horaria en edificios no residenciales y para caracterizar sus patrones de consumo. El enfoque se probó en 1578 edificios no residenciales que forman parte de un gran conjunto de datos abiertos de consumo energético de edificios. Los resultados muestran que la metodología Bayesiana es capaz de proporcionar estimaciones precisas de la línea de base con un modelo explicable e intuitivo. También se presta especial atención a las estimaciones de incertidumbre, que son inherentes a las técnicas bayesianas y que tienen gran importancia en las evaluaciones de riesgo de los proyectos de eficiencia energética. Por último, se presenta una metodología conceptual que puede utilizarse para recomendar y priorizar proyectos de eficiencia energética en edificios e instalaciones. Este enfoque basado en datos se basa en la comparación de grupos de edificios similares y en un algoritmo que puede asociar los ahorros obtenidos con las estrategias de renovación energética a las características de los edificios en los que se aplicaron. Se recomiendan las aplicaciones de esta metodología en plataformas de gestión energética de edificios de big data.