UC-DPC – Energieverbrauchs- und Komfort-Optimierung in Wohn- und Büroräumen durch eine nutzerzentrierte, prädiktive Regelung

• Forschungsstelle: BFE
• Projektnummer: SI/502188

Kurzbeschreibung (Deutsch)

Sozialwissenschaftliche Forschung lehrt uns, dass das Bedürfnis nach Raumkomfort eine der grössten Herausforderungen beim Sparen von Energie beim Wohnen und Arbeiten ist. Gegenwärtige Automatismen zur Betriebsoptimierung, wie die prädiktive Regelung, ignorieren dieses Bedürfnis weitestgehend. Wir erforschen und testen in diesem Projekt einen Automatismus zur Maximierung des Raumkomforts, bei gleichzeitiger Minimierung des Energiebedarfs. In Echtzeit erfasste Information zum Befinden der Nutzenden am Empa NEST wird genutzt, um mithilfe von Methoden des maschinellen Lernens (Reinforcement Learning) möglichst energieeffiziente Optimierungen am Raumklima vorzunehmen. Basierend auf ersten Erfahrungen wird ein Energiesparpotential von 20% angestrebt.

Kurzbeschreibung (Englisch)

User need for comfort is one of the most critical barriers for energy efficient living and working. Recent advancements in auto-matic optimization of room climate successfully foster energy efficiency, but usually ignore comfort needs. In this project, we will introduce an approach which aims at maximizing energy efficiency and user comfort at the same time. For this purpose, Empa NEST is used as a testbed. Machine learning based state of the art energy optimization algorithms (Reinforcement Learning) are combined with real time user feedback. Our previous work suggests an energy saving potential of around 20%.

Kurzbeschreibung (Französisch)

Les recherches en sciences sociales nous apprennent que le besoin de confort spatial est l'un des plus grands défis à relever pour économiser l'énergie dans l'habitat et le travail. Les automatismes actuels d'optimisation de l'exploitation, comme la régulation prédictive, ignorent largement ce besoin. Dans ce projet, nous étudions et testons un automatisme permettant de maximiser le confort intérieur tout en minimisant la consommation d'énergie. Les informations saisies en temps réel sur l'état des utilisateurs de l'Empa NEST sont utilisées pour optimiser le climat intérieur de la manière la plus efficace possible sur le plan énergétique à l'aide de méthodes d'apprentissage automatique (Reinforcement Learning). Sur la base des premières expériences, l'objectif est d'atteindre un potentiel d'économie d'énergie de 20%.

Schlussbericht (Deutsch)

Die Erfassung der Bedürfnisse der Nutzer nach thermischem Komfort und deren Berücksichtigung in Gebäudeautomationssystemen ist eine der kritischsten Hürden für die Schaffung energieeffizienter Wohn- und Arbeitsumgebungen. Aktuelle Gebäudeautomationssysteme sind darauf ausgelegt, entweder einen durch Standards [1,2] definierten "allgemeinen" Komfort bereitzustellen, oder einfach auf Änderungen der Solltemperatur durch die Nutzer zu "reagieren", beispielsweise über einen wandmontierten Thermostat. Bei keinem dieser Ansätze werden die Komfortbedürfnisse der Nutzer tiefgreifend in die Gebäudesteuerung einbezogen. Somit wird die Möglichkeit verpasst, einen nutzerspezifischen Komfort zu bieten. Genauer gesagt wird die Chance verpasst, nutzerspezifische Komfortbedürfnisse zu erlernen und diesen Komfort bei minimalem Energieverbrauch zu gewährleisten. In diesem Projekt wurden neue Steuerungsalgorithmen entwickelt, die Nutzerdaten zu thermischen Komfortbedürfnissen nutzen, um automatisch nutzerspezifischen Komfort über den Tag hinweg zu bieten. Das Projekt bestand aus drei Hauptteilen: i) Entscheidung darüber, welche Daten (von welchen Sensoren und/oder welchen Umfragefragen) zur Ermittlung der Komfortbedürfnisse der Nutzer berücksichtigt werden sollen, ii) Entwicklung eines Komfortzufriedenheitsmodells und iii) Entwicklung des Steuerungsalgorithmus und dessen Erprobung in Simulation und realer Umgebung im NEST-Gebäude der Empa in Dübendorf. Zu diesem Zweck wurde das Projekt in zwei Hauptphasen unterteilt. Phase 1 bestand aus der Datenerhebung in zwei Einzelbüroeinheiten (Räume 183 und 184) der Nest Sprint-Einheit. Während der Datenerhebung, die in den Wintermonaten stattfand, wurden die Räume von zwei Testpersonen besetzt, und TP-Bewertungen (Thermische Präferenz) wurden periodisch über eine auf einem Tisch-Tablet installierte Umfrage-App erfasst. Zusätzlich wurden Umweltdaten bestehend aus Außen- und Innenvariablen sowie physiologische Daten aufgezeichnet. Mit den gesammelten Daten wurden Support Vector Machine (SVM) basierte PTCMs (Personalisierte Thermische Komfortmodelle) für beide Testpersonen entwickelt. Diese PTCMs lieferten für die beiden Teilnehmer TP-Vorhersagen mit einer Genauigkeit von 89% bzw. 83 %. Das entwickelte PTCM wurde dann in ein Deep Reinforcement Learning (DRL) basierte Controller Framework eingebettet, das die Heizungsventilzustände in jedem der Räume unabhängig moduliert, mit dem Ziel, personalisierten thermischen Komfort zu bieten und den Heizenergieverbrauch zu minimieren. Phase 2 des UC-DPC Projekts beinhaltete somit die Implementierung des PTCM-eingebetteten DRLController-Frameworks in der Nest Sprint-Einheit und die Validierung seiner Leistung durch periodische Sammlung von TP-Bewertungen wie in Phase 1. Der PTCM-DRL-Controller war maßgeblich an der Bereitstellung personalisierter Raumklimabedingungen für beide Testpersonen beteiligt und half, den Heizenergieverbrauch beider Räume in der Nest Sprint-Einheit zu reduzieren. Dies unterstreicht die Notwendigkeit von großangelegten Studien mit vielfältigen Nutzerprofilen, um das volle Potenzial von PTCM eingebetteten DRL-Controllern zur Bereitstellung energieeffizienter und personalisierter Innenraumbedingungen in Schweizer Gebäuden zu realisieren.

Schlussbericht (Englisch)

Detecting the user needs for thermal comfort and addressing them within the building automation systems is one of the most critical barriers for achieving energy-efficient living and working indoor environments. Current building automation systems are designed to either provide a “general” comfort defined by the standards [1,2] or simply “respond” to users' setpoint temperature changes, for example, as adjusted on a wall-mounted thermostat. In either of these approaches, the users’ needs for comfort are not profoundly considered within the building controllers. Thus, the opportunity to provide a user-specific comfort response is missed. More precisely, the opportunity to learn user-specific comfort needs and provide such comfort at minimal energy consumption is missed. In this project, new control algorithms were developed that leverage user data on thermal comfort needs to provide user-specific comfort throughout the day automatically. The project consisted of three main parts: i) decision about what data (from which sensors and/or which survey questions) to take into consideration to determine user needs for comfort, ii) developing a comfort satisfaction model, and iii) developing the control algorithm and testing it in simulation and the real environment at the NEST building at Empa in Dübendorf. To this objective the project was divided into two primary phases. Phase 1 consisted of data collection from two single office units (Rooms 183 and 184) from Nest Sprint unit. During the data collection which took place in the winter months, the spaces were occupied by two test subjects and Thermal Preference (TP) votes were gathered periodically using Survey app deployed in desk-mounted tablet. In addition, environmental data consisting of outdoor variables and indoor variables and physiological data were recorded. Using the data gathered, Support Vector Machine (SVM) based Personal Thermal Comfort Models (PTCM) were developed for both the subjects. These PTCMs provided 89% and 83% accurate TP predictions for the two participants respectively. The developed PTCM was then embedded in a DRL-based controller framework modulating the heating valve states independently in each of the rooms with the objective to provide personalized thermal comfort and minimize heating energy usage. Thus, phase 2 of the UC-DPC project involved deploying the PTCM embedded Deep Reinforcement Learning (DRL) controller framework in the Nest Sprint unit and validating its performance through periodic collection of TP votes as in phase 1. The PTCM-DRL controller was quite instrumental in providing personalized indoor environmental conditions for both the subjects and helped in reducing the heating energy consumption of both the rooms in the Nest Sprint unit. It underscores the need for large-scale studies with diverse user profiles to realize the full potential of PTCM-embedded DRL controllers to provide energy-efficient and personalized indoor conditions in Swiss buildings.

Zugehörige Dokumente

• Final report_english [PDF] 2'756 kB

Schlussbericht (Französisch)

La détection des besoins des utilisateurs en matière de confort thermique et leur prise en compte dans les systèmes d'automatisation des bâtiments constituent l'un des obstacles les plus critiques à la réalisation d'environnements intérieurs de vie et de travail économes en énergie. Les systèmes d'automatisation des bâtiments actuels sont conçus soit pour fournir un confort "général" défini par les normes [1,2], soit simplement pour "répondre" aux changements de température de consigne des utilisateurs, par exemple, tels qu'ajustés sur un thermostat mural. Dans aucune de ces approches, les besoins des utilisateurs en matière de confort ne sont profondément pris en compte dans les contrôleurs de bâtiments. Ainsi, l'opportunité de fournir une réponse de confort spécifique à l'utilisateur est manquée. Plus précisément, l'opportunité d'apprendre les besoins de confort spécifiques à l'utilisateur et de fournir ce confort avec une consommation d'énergie minimale est manquée. Dans ce projet, de nouveaux algorithmes de contrôle ont été développés qui exploitent les données des utilisateurs sur les besoins de confort thermique pour fournir automatiquement un confort spécifique à l'utilisateur tout au long de la journée. Le projet se composait de trois parties principales : i) décision sur quelles données (provenant de quels capteurs et/ou quelles questions d'enquête) prendre en considération pour déterminer les besoins des utilisateurs en matière de confort, ii) développement d'un modèle de satisfaction du confort, et iii) développement de l'algorithme de contrôle et test dans la simulation et l'environnement réel au bâtiment NEST de l'Empa à Dübendorf. Pour atteindre cet objectif, le projet a été divisé en deux phases principales. La phase 1 consistait en la collecte de données provenant de deux bureaux individuels (Salles 183 et 184) de l'unité Nest Sprint. Pendant la collecte de données qui a eu lieu durant les mois d'hiver, les espaces étaient occupés par deux sujets tests et les votes de TP (Préférence Thermique) étaient recueillis périodiquement à l'aide d'une application de sondage déployée sur une tablette fixée au bureau. En outre, des données environnementales comprenant des variables extérieures et intérieures ainsi que des données physiologiques ont été enregistrées. À l'aide des données recueillies, des PTCM (Modèles de Confort Thermique Personnalisés) basés sur SVM ont été développés pour les deux sujets. Ces PTCM ont fourni des prédictions de TP précises à 89% et 83% pour ID1 et ID2 respectivement. Le PTCM développé a ensuite été intégré dans un cadre de contrôleur basé sur l'apprentissage par renforcement profond (DRL) modulant les états des vannes de chauffage indépendamment dans chacune des salles avec l'objectif de fournir un confort thermique personnalisé et de minimiser l'utilisation d'énergie de chauffage. Ainsi, la phase 2 du projet UC-DPC impliquait le déploiement du cadre de contrôleur DRL intégrant le PTCM dans l'unité Nest Sprint et la validation de ses performances par la collecte périodique de votes de TP comme dans la phase 1. Le contrôleur PTCM-DRL a été très efficace pour fournir des conditions environnementales intérieures personnalisées pour les deux sujets et a aidé à réduire la consommation d'énergie de chauffage des deux salles dans l'unité Nest Sprint. Cela souligne la nécessité d'études à grande échelle avec divers profils d'utilisateurs pour réaliser le plein potentiel des contrôleurs DRL intégrant des PTCM afin de fournir des conditions intérieures économes en énergie et personnalisées dans les bâtiments suisses.