Challenge
0

04 - Nest, a Data-driven Building Model

(English summary) NEST Case-study for a low-cost, data-driven, building model:

Although buildings account for almost half of Switzerland's total final energy consumption, digitalisation in the building sector is not yet very advanced. At NEST, Empa's demonstrator, new technologies and algorithms are being developed and tested. For this purpose, NEST is monitored in detail by some 10,000 sensors. The aim of this challenge is to use the rich measurement data from the NEST to give buildings the opportunity to look a little into the future and thereby take an important step towards digitalisation and energy efficiency. Detailled information in English will follow shortly.

NEST Fallstudie für "Decarbonising Cities" - Kostengünstiges, daten-getriebenes Gebäudemodell

Zusammenfassung

Obwohl Gebäude fast die Hälfte des gesamten Schweizerischen Endenergieverbrauchs verursachen, haben die Digitalisierung und ihre Versprechen hier bisher kaum Einzug gehalten. Im NEST, dem Demonstrator der Empa, werden neue Technologien und Algorithmen entwickelt und getestet. Für diesen Zweck wird das NEST bis ins Detail sensorisch überwacht. Ziel dieser Challenge ist es, die Messdaten des NEST zu nutzen, um Gebäuden die Möglichkeit zu geben, ein wenig in die Zukunft zu blicken und dadurch einen wichtigen Schritt in Richtung Digitalisierung und Energieeffizienz zu machen.

Motivation

Gebäude sind verantwortlich für 60% des Energieverbrauchs und 40% der C02 Emissionen in der Schweiz (Gesamtenergiestatistik BFE). Durch einen optimalen Betrieb, d.h. ohne bauliche Änderungen, kann der Verbrauch um schätzungsweise 20% reduziert werden.

Der optimale Betrieb eines Gebäudes ist jedoch eine methodische Herausforderung. Wegen der ther mischen Trägheit müssen regulierende Massnahmen (z.B. Durchflussmenge der Bodenheizung, Ladung eines Speichers) prädiktiv, d.h. für einen zukünftigen Zeitpunkt, vorgenommen werden. Andere Ein flussgrössen, wie etwa die Sonneneinstrahlung, haben aber einen unmittelbaren Einfluss auf das Raumklima und müssen deshalb zum Zeitpunkt des regulierenden Eingriffes aus Voraussagen entnommen werden.

Um diese methodische Herausforderung algorithmisch lösen zu können, werden Gebäudemodelle ver wendet. Gebäudemodelle können entweder aufgrund von physikalischen Gesetzmässigkeiten determi nistisch erstellt werden (Model Predictive Control) oder sie werden aus Messdaten erlernt. Sind Messdaten umfangreich vorhanden hat letzterer Ansatz den Vorteil, dass er mit einem geringeren Aufwand verbunden ist und damit ein grösseres Marktpotential hat. Das NEST Forschungsgebäude der Empa und der EAWAG bietet Zugang zu Messdaten von mehreren Gebäuden (Units) mit unterschiedli cher Nutzung (Arbeiten, Freizeit, Wohnen). Messdaten für alle relevanten Anlagen und Gebäudefunkti onen werden seit mehreren Jahren mit einer zeitlichen Auflösung von einer Minute gespeichert. Die Datenlage, beispielsweise zum Erstellen von Daten-getriebenen Gebäudemodellen, ist einzigartig.

Ziel

Folgendes Schema soll die Ausgangslage des Hackatons veranschaulichen. Übergeordnetes Ziel ist es, die Abhängigkeiten zwischen dem momentanen Energieinput, Raumklima und Wetter, und dem Raumklima zu einem späteren Zeitpunkt zu untersuchen. Die entsprechende Fragestellung ist: Welcher Energieinput führt bei einer gegebenen Ausgangslage (momentanes Raumklima, Wetter) zu welchem zukünftigen Raumklima?

Es kann ein eigenes Vorgehen gewählt werden oder die Teilnehmenden können sich an den nachfolgenden, detaillierteren Zielen und Fragestellungen orientieren.

1) Visualisierung der Zusammenhänge:

  • Welcher Energieinput führt zu welcher Innentemperatur?
  • Wie zeitverzögert reagiert die Innentemperatur auf eine Änderung des Energieinputs (d.h. wie gross ist die thermische Trägheit)?
  • Welchen Einfluss haben Randbedingungen wie die Aussentemperatur oder das momentane Raumklima auf das spätere Raumklima?
  • Variieren die obigen Zusammenhänge zwischen unterschiedlichen Räumen? Methodischer Hinweis: Zur explorativen Untersuchung von "Lagged Korrelations" bieten sich unter anderem H-Scatterplots oder Cross-Correlogramme an.

2) Statistisches Modellieren der Zusammenhänge aus 1):

  • Können diese Zusammenhänge mit einem statistischen Modell quantifiziert werden?
  • Werden die Zusammenhänge eindeutiger, wenn nicht bloss die momentanen Messungen als Prädiktoren, sondern die letzten N historischen Messungen verwendet werden?

3) Sensoren sind teuer. In der realen Situation sind meist weniger Sensoren vorhanden:

  • Welche Sensoren (Prädiktoren) haben im Modell aus 2) welchen Stellenwert?
  • Kann das Modell um einzelne Sensoren reduziert werden, um Kosten zu sparen, ohne dass die Voraussage der zukünftigen Raumtemperatur stark leidet?

Datenlage und -Zugang

  • Eine Übersicht der Messdaten und Infrastruktur am NEST ist unter folgendem Link einsehbar: https://info.nestcollaboration.ch/wikipediapublic/.
  • Auf die Messdaten des Forschungsgebäudes NEST kann via REST API zugegriffen werden.
  • Eine detaillierte Beschreibung der Sensoren (inkl. Kosten) wird bereitgestellt.
  • Zudem bietet ein Graphana Dashboard visuellen Zugang zu allen relevanten Messdaten.

Grundsätzlich können die obigen Ziele für mehrere Units am NEST verfolgt werden. Es bietet sich je doch an, mit der Unit Urban Mining & Recycling (UMAR) zu beginnen. Die Messdaten von UMAR wurden kürzlich in einem Forschungsprojekt für einen ähnlichen Zweck verwendet (Bünning et al. 2020). Jeder Unit liegt eine spezifische These zugrunde. In UMAR ist dies, dass alle zur Herstellung eines Gebäudes benötigten Ressourcen vollständig wiederverwendbar, wiederverwertbar oder kompostierbar sein müssen.

Abbildung 1 Links: UMAR von aussen. Links und rechts im Bild die beiden Schlafzimmer. Rechts: Grundriss der Unit. Oben links und rechts die beiden Schlafzimmer, in der Mitte das Wohnzimmer. UMAR bietet Wohnraum für zwei Gastwissenschaftler oder Studenten. Die Unit verfügt über ein Wohn zimmer mit Küche, zwei baugleiche Schlafzimmer und zwei Badezimmer. Es liegen detaillierte Messun gen für den Verbrauch von Warm- und Kaltwasser, elektrische Energie und Wärme und Kälte vor (De tails hier). Mit dieser Information kann ein statistisches Modell erstellt und trainiert werden, welches aufgrund des Ist-Zustandes (z.B. Raumtemperatur), einer Massnahme (z.B. Heizleistung erhöhen) und der Wetterprognose für den morgigen Tag, die zu erwartende Raumtemperatur schätzen kann. Den Teilnehmenden werden die Daten aus der wissenschaftlichen Studie in bereinigter Form, als CSV zur Verfügung gestellt. Zusätzliche Messdaten, wie beispielsweise die Aussentemperatur oder die Sonneneinstrahlung, können über öffentlich zugängliche Schnittstellen bezogen werden. Literatur Bünning, F., Huber, B., Heer, P., Aboudonia, A. and Lygeros, J., 2020. Experimental demonstration of data predictive control for energy optimization and thermal comfort in buildings. Energy and Buildings, 211, p.109792.

Worked on documentation

04.02.2021 10:11 ~ Maud

Team forming

nikki_böhler has joined!

20.01.2021 09:12

Project started

Initialized by nikki_böhler 🎉

20.01.2021 09:12
All attendees, sponsors, partners, volunteers and staff at our hackathon are required to agree with the Hack Code of Conduct. Organisers will enforce this code throughout the event. We expect cooperation from all participants to ensure a safe environment for everybody. For more details on how the event is run, see the Guidelines on our wiki.

Creative Commons LicenceThe contents of this website, unless otherwise stated, are licensed under a Creative Commons Attribution 4.0 International License.

Energy & Climate Hack