Generic occupant behavior modeling for commercial buildings

Markovic, Romana; van Treeck, Christoph Alban (Thesis advisor); Hong, Tianzhen (Thesis advisor); Azar, Elie (Thesis advisor)

Aachen (2020)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

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.

Identifikationsnummern

Downloads