Методи машинного навчання для підвищення енергоефективності будівель

2023;
: cc. 189- 209
1
Національний університет «Львівська політехніка», кафедра програмного забезпечення
2
Національний університет «Львівська політехніка»; Карпатське відділення Інституту геофізики ім. С.І. Субботіна НАН України

Прогнозування споживання енергії в будівлі відіграє важливу роль, оскільки воно може допомогти оцінити її енергоефективність, виявити й діагностувати несправності системи енергопостачання, а також зменшити витрати коштів і покращити вплив на клімат. Проаналізовано актуальні дослідження у галузі забезпечення енергоефективності будівель, зокрема, їх енергетичної оцінки з урахуванням типів розглядуваних моделей. Детально розглянуто принципи, переваги, обмеження та практичне застосування основних моделей на основі даних, виділено пріоритетні майбутні напрями прогнозування енергоефективності будівель. Доведено, що ефективність методів є різною для основних типів моделей і залежить від таких факторів: вхідні дані та параметри, тип та якість доступних даних для тренування, придатність методу до конкретного типу моделі тощо. Підкреслено необхідність врахування елемента невизначеності під час прогнозування споживання енергії, оскільки неможливо точно моделювати метеорологічні фактори та поведінку мешканців. Тому для відображення складних нелінійних вхідних та вихідних взаємозв’язків вибрано методи машинного навчання, зокрема, моделі на основі глибокого навчання, оскільки їх продуктивність вища, ніж статистичних методів прогнозування часових рядів.

Аналіз опублікованих праць виявив відсутність робіт з описанням цілісної інформаційної системи прогнозування енергії для застосування у комерційних проєктах. Тому актуальним є розроблення автономної інформаційної системи формування стратегії підвищення енергоефективності будівель, яка поєднуватиме сучасні методи машинного навчання. Ми запропонували новий підхід до поєднання технологій семантичного моделювання та машинного навчання для системи управління енергією розумних будівель із використанням системи знань розробленої нами семантичної моделі.

  1. Dandotiya, B. (2020). Climate Change and Its Impact on Terrestrial Ecosystems, Impacts of Climate Change on Agriculture and Aquaculture, 140–157. IGI Global. http://dx.doi.org/10.4018/978-1-7998-3343-7.ch007
  2. Popa A. (2022). A Semantically Data-Driven Classification Framework for Energy Consumption in Buildings. Energies, 2022, 15(9), 3155. https://doi.org/10.3390/en15093155
  3. Runge J. & Zmeureanu R. (2019). Forecasting Energy Use in Buildings Using Artificial Neural Networks: A Review. Energies, 2019, 12(17), 3254. https://doi.org/10.3390/en12173254
  4. Amasyali K. & El-Gohary N. M. (2018). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, Vol. 81, Part 1, January 2018, 1192–1205. https://doi.org/10.1016/j.rser.2017.04.095
  5. Sanzana M. R. & Maul T. (2022). Application of deep learning in facility management and maintenance for heating, ventilation, and air conditioning. Automation in Construction, Vol. 141, September 2022, 104445. https://doi.org/10.1016/j.autcon.2022.104445
  6. Khandelwal, I., Adhikari, R. & Verma, G. (2015). Time series forecasting using hybrid ARIMA and ANN models based on DWT decomposition. Procedia Computer Science, 48, 173–179. https://doi.org/10.1016/j.procs.2015.04.167
  7. Markoska E. (2019). A Framework for Automated Real-Time Performance Evaluation of Smart Buildings. https://doi.org/10.21996/5hay-tm27
  8. Wang, Z. & Hong, T. Building thermal load prediction through shallow machine learning and deep learning. Applied Energy, Vol. 263, 1 April 2020, 114683. https://doi.org/10.1016/j.apenergy.2020.114683
  9. Guss H. & Linus R. (2020) Applying Machine Learning Algorithms for  Anomaly Detection in Electricity Data: Improving the Energy Efficiency of Residential Buildings. Digitala Vetenskapliga Arkivet. Batish A., Agrawal A. (2019). Building Energy Prediction for Early-Design-Stage Decision Support: A Review of Data- driven Techniques. Conference: Building Simulation 2019, Rome, Italy, September 2019. http://dx.doi.org/10.26868/25222708.2019.211032
  10. Faiq, M & Tan, K. (2023). Prediction of energy consumption in campus buildings using long short-term memory. Alexandria Engineering Journal, Vol. 67, 15 March 2023, 65–76. https://doi.org/10.1016/j.aej.2022.12.015
  11. Liu, D. & Wang, H. (2023). Time series analysis model for forecasting unsteady electric load in buildings. Energy and Built Environment, 15 July 2023. https://doi.org/10.1016/j.enbenv.2023.07.003
  12. Гече, Ф., Мулеса, О.  (2021). Навчання комбінованої моделі прогнозування часових  рядів. Український журнал інформаційних технологій. Вип. 3, № 1 : 44–48. https://doi.org/10.23939/ujit2021.03.044
  13. Hammoudeh A. & Dupont S. (2022). The prediction of residential building consumption using profiling and time encoding, Procedia Computer Science, Vol. 210, 7–11. https://doi.org/10.1016/j.procs.2022.10.113
  14. Chen, Y. & Chen, Z. (2022). Short-term load forecasting for multiple buildings: A length sensitivity-based approach. Energy Reports, 8:14274–14288. http://dx.doi.org/10.1016/j.egyr.2022.10.425
  15. Luo, X. & Oyedele, L. (2023). A self-adaptive deep learning model for building electricity load prediction with moving horizon. Mach Learn Appl., 7 (2022), Article 100257. https://doi.org/10.1016/j.mlwa.2022.100257
  16. Wang Z. & Liu X.( 2023). A multivariate time series graph neural network for district heat load forecasting. Energy, Vol. 278, Part A, 1 September 2023, 127911. https://doi.org/10.1016/j.energy.2023.127911
  17. Panjapornpon, С. & Santi Bardeeniz, S. (2023) Explainable deep transfer learning for energy efficiency prediction based on uncertainty detection and identification. Energy and AI, Vol. 12, April 2023, 100224. https://doi.org/10.1016/j.egyai.2022.100224
  18. Granderson J. & Fernandes, S. (2023). Accuracy of hourly energy predictions for demand flexibility applications. Energy and Buildings, Vol. 295, 15 September 2023, 113297. https://doi.org/10.1016/j.enbuild.2023.113297
  19. González-Vida, A. & Jiménez, F. (2019) A methodology for energy multivariate time series forecasting in smart buildings based on feature selection. Energy and Buildings, Vol. 196, 1 August 2019, 71–82. https://doi.org/10.1016/j.enbuild.2019.05.021
  20. Yang, B. & Haghighat, F. (2021). Season-Based Occupancy Prediction in Residential Buildings Using Machine Learning Models. e-Prime – Advances in Electrical Engineering, Electronics and Energy, Vol. 1, 100003. https://doi.org/10.1016/j.prime.2021.100003
  21. Qiao, Q. & Yunusa-Kaltungo, A. (2023). Developing a machine learning based building energy consumption prediction approach using limited data: Boruta feature selection and empirical mode decomposition. Energy Reports, Vol. 9, December 2023, 3643–3660. https://doi.org/10.1016/j.egyr.2023.02.046
  22. Avendano, I. & Javan, F. (2023). Assessing the impact of employing machine learning-based baseline load prediction pipelines with sliding-window training scheme on offered flexibility estimation for different building categories. Energy and Buildings, Vol. 294, 1 September 2023, 113217. https://doi.org/10.1016/j.enbuild.2023.113217
  23. Fotopoulou E. (2017). Providing Personalized Energy Management and Awareness Services for Energy Efficiency in Smart Buildings. Sensors, 17(9), 2054. https://doi.org/10.3390/s17092054
  24. Shapi, M. & Ramli, N. (2021). Energy consumption prediction by using machine learning for smart building: Case study in Malaysia. Developments in the Built Environment, Vol. 5, March 2021, 100037. https://doi.org/10.1016/j.dibe.2020.100037
  25. Lei, L. & Wei Chen, W. (2021). A building energy consumption prediction model based on rough set theory and deep learning algorithms. Energy and Buildings, Vol. 240, 1 June 2021, 110886. https://doi.org/10.1016/j.enbuild.2021.110886
  26. Jogunola, O. (2022). CBLSTM-AE: A Hybrid Deep Learning Framework for Predicting Energy Consumption. Energies, 15(3), 810. https://doi.org/10.3390/en15030810
  27. Amalou, I. & Mouhni N. (2022). Multivariate time series prediction by RNN architectures for energy consumption forecasting. Energy Reports Volume 8, Supplement 9, November 2022, 1084–1091. https://doi.org/10.1016/j.egyr.2022.07.139
  28. Schmida, L. & Roidl, M.(2023). Comparing statistical and machine learning methods for time series forecasting in data-driven logistics – A simulation study. arXiv – STAT – Machine Learning. March 2023. https://doi.org/10.48550/arXiv.2303.07139
  29. ASHRAE Handbook (2023). https://www.ashrae.org/technical-resources/ashrae-handbook
  30. Batish A., Agrawal A. (2019). Building Energy Prediction for Early-Design-Stage Decision Support: A Review of Data-driven Techniques. Conference: Building Simulation 2019, Rome, Italy, September 2019. http://dx.doi.org/10.26868/25222708.2019.211032
  31. Zhao, H. & Magoulès, F. (2012). A Review on the Prediction of Building Energy Consumption. Renewable and Sustainable Energy Reviews, Vol. 16 (6): 3586–92. https://doi.org/10.1016/j.rser.2012.02.049
  32. Encorp (2023). Balancing Energy Supply and Demand. https://encorp.com/demand-response/
  33. Chen Y. & Guo M. (2022). Physical energy and data-driven models in building energy prediction: A review. Energy Reports, Vol. 8, November 2022, 2656–2671. https://doi.org/10.1016/j.egyr.2022.01.162
  34. Liu H. & Liang J. (2023). A Review of Data-Driven Building Energy Prediction, Buildings 2023, 13(2),532. https://www.utn.uu.se/sts/student/wp-content/uploads/2020/07/2007_Linus_Rustas_Herman_ Guss. pdf