guest ::
Generic occupant behavior modeling for commercial buildings
2020
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak03
Hauptberichter/Gutachter
; ;
Tag der mündlichen Prüfung/Habilitation
2020-06-22
Online
DOI: 10.18154/RWTH-2020-08443
URL: https://publications.rwth-aachen.de/record/795601/files/795601.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
Gebäudeautomation (frei) ; Zeitreihenmodellierung (frei) ; building automation (frei) ; neural networks (frei) ; neuronale Netze (frei) ; occupant behavior (frei) ; time-series modeling (frei) ; Nutzerverhaltensmodellierung (frei)
Thematische Einordnung (Klassifikation)
DDC: 624
Kurzfassung
Mensch-Gebäude Interaktionen werden von einer komplexen Kombination umweltbezogenen Einflüsse verursacht. Daher können die energieverbrauchbezogenen Handlungen der Nutzer nicht mit analytischen Ansätzen, wie sie in der energetischen Gebäudesimulation (engl. Building Performance Simulation (BPS)) und der Gebäudeautomation (engl. building automation systems (BAS)) üblich sind, erforscht werden. Ein zusätzlicher Grad an Komplexität der Nutzerverhaltensmodellierung ergibt sich aus der Individualität und Diversität der Nutzer. Aus diesem Grund kann das energieverbrauchbezogene Verhalten von Nutzern, selbst bei ähnlichen Bedingungen und ähnlicher Umweltqualität des Innenraums (engl. indoor environmental quality (IAQ)), sehr unterschiedlich sein. Bei einer großen Nutzerpopulation führt dies zu komplexen, und teilweise widersprüchlichen Anforderungen an die Darstellung der Diversität und die Skalierbarkeit der Modelle. Das Ziel dieser Arbeit ist es, Modelle für eine zuverlässigere Nutzerverhaltensmodellierung zu entwickeln. Unter anderem ist es das Ziel, Erkenntnisse für eine generischere Nutzerverhaltensmodellierung zu gewinnen, die für eine Reihe von verschiedenen Nutzern in verschiedenen kommerziellen Gebäudeumgebungen anwendbar sind. Zu diesem Zweck liegt der methodische Schwerpunkt auf Methoden des maschinellen Lernens (engl. machine learning) unter Verwendung physikalischer Monitoringdaten. Um die Generalisierbarkeit der Modelle auf alternative Nutzer und Gebäude zu prüfen und zu quantifizieren, wird das Paradigma der gebäudebezogenen Modellierung im Hauptteil der Arbeit verfolgt. Zunächst wird das Potential des zeitunabhängigen Nutzerverhaltens im Hinblick auf das manuelle Öffnen von Fenstern untersucht. Die Modellierung wird mit Hilfe von konventionellen Machine Learning und Deep Learning Klassifikationsansätzen durchgeführt. Dabei wird das Datenungleichgewicht als eine zentrale Modellierungsherausforderung identifiziert. Die Ergebnisse zeigen, dass die Random Forest-basierte Klassifizierung und das entwickelte Deep Learning Modell das Fensteröffnungsverhalten bei gegebenen Einstellungen zuverlässiger darstellen können. Als Alternative zur zeitunabhängigen Modellierung wird die zeitreihenbasierte Nutzermodellierung untersucht. Die Modellierungsziele werden als adaptives und nicht-adaptives Nutzverhalten in kommerziellen Gebäuden definiert. Die resultierenden Zielfunktionen sind die Modellierung der Fensterzustände und sonstiger elektrischer Lasten (engl. miscellaneous electric loads (MELs)). Die sequentielle Natur der vorgeschlagenen Modelle wird durch Einbezug der Zeitreihen von früheren Messungen des Nutzerverhaltens und der IEQ als Input dargestellt. Die Ergebnisse zeigen, dass die Modellformulierungen, bei denen die kurz- und langzeitige Vergangenheit der Daten der IEQ und des Nutzverhaltens als Inputs verwendet werden, zu einer verbesserten Leistung der Modelle im Vergleich zu den alternativen, etablierten Methoden führen. Abschließend werden das Datenungleichgewicht der Nutzerverhaltensdaten und die begrenzte Anwendbarkeit der Modelle auf alternative Gebäude als die wichtigsten Einschränkungen der derzeitigen Nutzverhaltensmodellierung identifiziert, die im Rahmen dieser Arbeit behandelt werden. Im Ergebnis führen die vorgestellten Modelle zu einer genaueren und dennoch skalierbaren Nutzerverhaltensmodellierung und zeigen das praktische Potenzial für die Einbindung in Gebäudeautomationssysteme und Gebäudesimulationen als reale Endanwendung.Human-building interactions are driven by a complex combination of social, psychological and physiological factors. As such, occupants’ energy consumption related actions can not be addressed using analytical approaches, as conventionally adopted in building performance simulation (BPS) and building automation systems (BASs). An additional degree of occupant behavior (OB) modeling complexity comes from occupants’ individuality and diversity. As a consequence, occupants’ energy consumption related behavior may be highly variant, even in case of similar settings and indoor environmental quality (IEQ). Given a large occupant population, this result in complex, yet contradictory requirements on diversity representation and model scalability. The aim of this thesis is to develop models towards more reliable OB modeling. In particular, it is aimed to gain knowledge towards more generic OB modeling, that could be applicable for a number of diverse occupants in different commercial building settings. For that purpose, the methodological focus is on machine learning (ML) methods using physical monitoring data. In order to obtain and quantify models’ generalization to alternative occupants’ and buildings, the building-wise modeling paradigm is followed through the major part of this thesis. Firstly, the potential of the time-independent OB in terms of manual window openings is explored. The modeling is conducted using conventional machine learning and deep learning classification approaches. The data imbalance is identified as a key modeling challenge. The obtained results show that the random forest based classification and developed deep learning model can reliably represent window opening behavior in given settings. As an alternative to the time-independent modeling, the sequence based modeling of OB is explored. The modeling objectives is defined to be adaptive and non-adaptive OB in commercial settings. The resulting target functions are window states modeling and miscellaneous electric loads (MELs). The sequential nature of proposed models is represented by including the time-series of past IEQ and OB measurements as the model inputs. The results show that the model formulations where the short- and long-term past of IEQ and OB data are used as inputs resulted in improved models’ performance, when compared to the alternative, established methods. Conclusively, the imbalanced properties of OB data and limited models’ applicability to alternative buildings are identified as the major limitations of the current OB modeling practices, that are addressed in the scope of this thesis. Finally, the presented models lead to more accurate yet scalable OB modeling and they show the practical potential for the inclusion in BAS and BPS as end-use real-life applications.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT020560614
Interne Identnummern
RWTH-2020-08443
Datensatz-ID: 795601
Beteiligte Länder
Germany
|
The record appears in these collections: |