On Forecasting Heating Energy Consumption of HVAC Systems with Recurrent Neural Networks

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2022-01-25
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
59
Series
Abstract
Development of smart HVAC systems is in the forefront of actions advancing low-carbon built environment. In this thesis case study is presented on forecasting hourly district heating energy consumption of a HVAC system serving a large public building. Based on nearly three months of data collection on thirteen weather, HVAC, and temporal input parameters, nine sequence-based Recurrent Neural Network and two static Machine Learning models are examined. To find the optimal configuration for the hyperparameters of the Artificial Neural Network based models, a systematic method combining Bayesian Optimization and 5-fold cross-validation is formulated for training and validating the model. Testing results showed the best training (MAE 14 kWh) and testing (MAE 29 kWh) performance for Gated Recurrent Unit model with sequence-length 12. Although, the results were inconclusive whether the RNN approach is the true one to apply to buildings as static Multilayer Perceptron performed just as well as most of the RNN models.

Älykkäiden LVI-järjestelmien kehitys on etusijalla toimissa, joilla edistetään vähähiilistä rakennettua ympäristöä. Tässä opinnäytetyössä esitellään tapaustutkimus tunnittaisen kaukolämmön energiankulutuksen ennustamisesta suuressa julkisrakennuksessa. Kolmentoista LVI-järjestelmää, säätä ja ajankohtaa kuvaavan syöteparametrin perusteella tutkitaan yhdeksää sekvenssisyötteistä rekursiivista neuroverkkoa ja kahta staattista koneoppimisalgoritmia. Parhaiden mahdollisten arvojen löytämiseksi neuroverkkomalleja määrittäville hyperparametreille mallien kouluttamiseen ja varmentamiseen kehitetään viisinkertaista ristivalidointia ja bayesilaista optimointia yhdistävä prosessi. Sekä koulutus- että testaustulosten perusteella (MAE 14 kWh ja 29 kWh) parhaaksi malliksi osoittautuu 12:ta tunnin sekvenssin rekursiivinen GRU-malli. Tulosten perusteella jää kuitenkin epäselväksi, ovatko rekursiiviset neuroverkot oikea tapa muodostaa ennusteita LVI-järjestelmän parametreille. Staattinen monikerroksinen perseptroniverkko nimittäin tuottaa yhtä hyviä ennusteita kuin suurin osa rekursiivisista neuroverkoista.
Description
Supervisor
Lahdelma, Risto
Thesis advisor
Pulkkinen, Jukka
Keywords
HVAC, RNN, smart buildings, cross-validation, Bayesian optimization
Other note
Citation