Modellering av energibruk i store bygningsmasser ved bruk av kunstig intelligens

Abstract

I Norge var energiforbruket til husholdninger så mye som 30% av det totale nettoforbruket av elektrisk kraft i 2018. Dette henger sammen med at en stor andel av den totale bygningsmassen består av eldre bygninger med høyt energiforbruk. Denne oppgaven omhandler analyse av energiforbruket av boligmassen til Boligbygg KF og utvikling av en prediksjonsmodell for energiforbruket ved hjelp av kunstig intelligens. Boligbygg er et kommunalt foretak i Oslo og samtidig Norges største utleier av boliger. Sammen med ÅF Advansia, som er et prosjekt- og byggeledelsesfirma, har de inngått en kontrakt om energibesparelse for definerte bygningsmasser. Formålet med analysen er å få en oversikt over hvilken tilstand disse bygningsmassene er i med tanke på energiforbruk. I tillegg er formålet med utvikling av en prediksjonsmodell å kunne stille opp med et godt underlag ved innkjøp av strøm med kort tidshorisont. Analysen baserer seg på data fra et utvalg av bygningsmassen til Boligbygg.

I forbindelse med analyse av energiforbruket er de tradisjonelle energi-temperatur kurvene eller såkalt ET-kurver blitt tatt i bruk. Slike kurver viser forholdet mellom energiforbruket og utetemperaturen. I denne oppgaven brukes ET-kurver til å estimere blant annet oppvarmings- og varmtvannsbehov. Videre benyttes maskinlæring til utvikling av en prediksjonsmodell for energiforbruket. Maskinlæring er en type dataanalyse, og er den delen innen kunstig intelligens som omhandler bruk av statistiske metoder til å finne mønstre i store datamengder. I denne oppgaven testes 6 maskinlæringsalgoritmer. Tankegangen er å dele dataene inn i trenings-data og test-data. Modellen bruker trenings-data til å gjenkjenne sammenhengene i dataene, og kan basert på disse, predikere nye verdier. De predikerte verdiene sammenlignes med test-dataene for å kontrollere i hvilken grad modellen har «lært».

Som et resultat av databehandling er det utelatt totalt 44 av 99 bygninger. En av årsakene til dette er for å sikre et felles sammenligningsgrunnlag. I analysen deles resterende bygningene inn etter om oppvarmingsbehovet dekkes av elektrisitet eller fjernvarme. For de førstnevnte bygningene estimeres oppvarmingsbehovet til å være gjennomsnittlig 56 kWh/m2 i året, mens for de resterende er tilsvarende estimert forbruk 98 kWh/m2 i året. Dette kan skyldes ulik systemvirkningsgrad.

For å få en indikasjon på hvor presis prediksjonsmodellen er, sammenlignes den med predikerte verdier fra ET-kurven. Det kan konkluderes at avviket som oppstår ved prediksjon av døgnverdier blir redusert med ca. 85% ved å ta i bruk kunstig intelligens. Dette viser hvordan kunstig intelligens klarer å benytte informasjonen i dataene på en mer effektiv måte enn den forenklede ET-kurve metoden. I det tilfellet hvor en byggeier skal kjøpe strøm på kraftmarkedet for påfølgende dag, vil det reduserte avviket bidra til reduserte innkjøpskostnader.

In Norway, the energy consumption for households was 30% of the total net consumption of electric power in 2018. This is because a large proportion of the total building stock consists of older buildings with high energy consumption. This thesis deals with the analysis of the energy consumption of the housing stock for Boligbygg KS and the development of a prediction model for the energy consumption using artificial intelligence. Boligbygg is a municipal enterprise in Oslo and at the same time Norway's largest landlord of housing. Together with ÅF Advansia, which is a project and construction management company, they have signed an energy saving contract for defined buildings. The purpose of the analysis is to get an overview of the state of these buildings in terms of energy consumption. In addition, the purpose of developing a prediction model is to be able to set up a good foundation when purchasing power with a short time horizon. The analysis is based on data from a selection of Boligbygg's building stock.

In connection with the analysis of energy consumption, the traditional energy-temperature curves or so-called energy signature have been used. Such curves show the relationship between energy consumption and outdoor temperature. In this exercise, energy signature is used to estimate, heating and hot water. Furthermore, machine learning is used to develop a prediction model for energy consumption. Machine learning is a type of data analysis and is the part of artificial intelligence that deals with the use of statistical methods to find patterns in large amounts of data. In this assignment, 6 machine learning algorithms are tested. The idea is to divide the data into training data and test data. The model uses training data to recognize the relationships in the data and, based on these, can predict new values. The predicted values are compared with the test data to check the degree to which the model has "learned".

As a result of data processing, a total of 44 out of 99 buildings have been left out. One of the reasons for this is to ensure a common basis for comparison. In the analysis, the remaining buildings are divided according to whether the heating needs are met by electricity or district heating. For the former buildings, the heating demand is estimated to be 56 kWh / m2 per year in average, while for the remaining, the corresponding estimated consumption is 98 kWh / m2 per year. This may be due to different system efficiency.

In order to get an indication of how accurate the prediction model is, it is compared with predicted values from the energy signature. It can be concluded that the deviation that occurs when predicting daily values is reduced by approx. 85% by using artificial intelligence. This shows how artificial intelligence manages to use the information in the data more efficiently than the simplified energy signature method. In the case where a building owner is to purchase electricity in the power market for the following day, the reduced deviation will contribute to reduced purchasing costs.