Generische Nutzerverhaltensmodellierung im Kontext Gebäudeenergieeffizienz

• Antragsteller: Professor Dr.-Ing. Christoph van Treeck
• Fachliche Zuordnung: Konstruktiver Ingenieurbau, Bauinformatik und Baubetrieb
• Förderung: Förderung von 2019 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 418297274

• Erstellungsjahr: 2023

Zusammenfassung der Projektergebnisse

Ziel dieses Projekts war die Entwicklung einer umfassenden Methode zur Modellierung energieverbrauchsbezogenen Nutzerverhaltens in gewerblichen Gebäuden. Insbesondere wurden Deep-Learning-Methoden wie Feed-Forward- und Recurrent Neural Network (RNN)-Architekturen untersucht. Besonderes Augenmerk wurde auf die Anwendbarkeit dieser Modelle auf ein breites Spektrum von Personen und Gebäuden gelegt. In Anbetracht des Forschungsstandes zu Beginn des Projekts wurden die Modelle zunächst für den Teilbereich manuell bedienbarer Fenster entwickelt. Die gewonnenen Erkenntnisse wurden dann zur Modellierung und Prognose des Nutzerverhaltens und der Energieverbräcue verwendet. Die Ergebnisse zeigten, dass die Fensterzustände mit einer einstündigen Zeitdiskretisierung effektiv modelliert werden konnten. Darüber hinaus konnte die Einbeziehung von Fensterzustandsänderungen über mehrere vergangene Tage sowohl die Schätz- als auch die Vorhersagegenauigkeit der 10-Minuten Vorhersagen des neuronalen Feed-Forward- Netzwerks erheblich verbessern. Letztendlich erwies sich die Verwendung von RNN- Architekturen als effektiv für die Modellierung sowohl adaptiver als auch nicht-adaptiver Aktionen der Nutzer sowie des Nutzerverhaltens und der Energieverbrauchsdaten. Eine Schlüsselfrage im Projekt war, wie die Generalisierung der Modelle auf verschiedene Nutzer und Gebäude erreicht werden kann. Die Ergebnisse von Sub Task 3 zeigten, dass die Domänenanpassung ein effektiver Ansatz ist, der mit nur einer kleinen Stichprobe von Daten aus den Zielgebäuden effektiv durchgeführt werden kann. Darüber hinaus zeigte sich, dass die externe Speicherkomponente des End-to-End-Speicher-Netzwerks von Sub Task 4 schnell auf die unbekannten Bewohner außerhalb der Trainingsverteilung des Modells verallgemeinert werden kann. Somit könnte dieser Ansatz die Datenmenge, die normalerweise von zur Modellierung der Fensteröffnungsaktionen benötigt wird, erheblich reduzieren. Die verbesserte Generalisierung des Modells ohne die Notwendigkeit einer umfangreichen persönlichen Datenerfassung könnte dazu beitragen, den Datenschutz so weit wie möglich zu wahren. Schließlich haben die Ergebnisse von Sub-Task 5 gezeigt, dass das entwickelte Vorhersagemodell für verschiedene Energielasten zu einer Leistungsverbesserung bei der Auswertung von drei unabhängigen Datensätzen ohne jegliche Modellkalibrierung oder Domänenanpassung im Vergleich zur aktuellen Benchmark geführt hat.

Projektbezogene Publikationen (Auswahl)

• Right on Time - Exploring Suitable Time Discretization for Occupant Behavior Co-Simulation. Building Simulation Conference proceedings, 16, 2099-2106. IBPSA.
  Markovic, Romana; Grintal, Eva; Nouri, Amin; Frisch, Jérôme & van, Treeck Christoph
  
• Generic occupant behavior modeling for commercial buildings (Doctoral Thesis, RWTH Aachen University).
  Markovic, R.
  
• Modeling occupant behavior in buildings. Building and Environment, 174, 106768.
  Carlucci, Salvatore; De Simone, Marilena; Firth, Steven K.; Kjærgaard, Mikkel B.; Markovic, Romana; Rahaman, Mohammad Saiedur; Annaqeeb, Masab Khalid; Biandrate, Silvia; Das, Anooshmita; Dziedzic, Jakub Wladyslaw; Fajilla, Gianmarco; Favero, Matteo; Ferrando, Martina; Hahn, Jakob; Han, Mengjie; Peng, Yuzhen; Salim, Flora; Schlüter, Arno & van, Treeck Christoph
  
• A gap-filling method for room temperature data based on autoencoder neural networks. Building Simulation Conference Proceedings. KU Leuven.
  Liguori, Antonio; Markovic, Romana; Frisch, Jérôme; Wagner, Andreas; Causone, Francesco & van, Treeck Christoph
  
• Day-ahead prediction of plug-in loads using a long short-term memory neural network. Energy and Buildings, 234, 110667.
  Markovic, Romana; Azar, Elie; Annaqeeb, Masab Khalid; Frisch, Jérôme & Treeck, Christoph van
  
• Indoor environment data time-series reconstruction using autoencoder neural networks. Building and Environment, 191, 107623.
  Liguori, Antonio; Markovic, Romana; Dam, Thi Thu Ha; Frisch, Jérôme; van Treeck, Christoph & Causone, Francesco
  
• Prediction of HVAC loads at different spatial resolutions and buildings using deep learning models. Building Simulation Conference Proceedings. KU Leuven.
  Liguori, Antonio; Yang, Shiying; Markovic, Romana; Thu, Ha Dam Thi; Wagner, Andreas; Christoph, Christoph & van, Treeck van Treeck
  
• A guideline to document occupant behavior models for advanced building controls. Building and Environment, 219, 109195.
  Dong, Bing; Markovic, Romana; Carlucci, Salvatore; Liu, Yapan; Wagner, Andreas; Liguori, Antonio; van Treeck, Christoph; Oleynikov, Dmitry; Azar, Elie; Fajilla, Gianmarco; Drgoňa, Ján; Kim, Joyce; Vellei, Marika; De Simone, Marilena; Shamsaiee, Masood; Bavaresco, Mateus; Favero, Matteo; Kjaergaard, Mikkel; Osman, Mohamed ... & Kang, Xuyuan