Energy consumption simulation using artificial neural networks

Diplomityössä luodaan keinotekoinen neuroverkkomalli uimahallien vuosittaisen energi-ankulutuksen laskemiseksi. Neuroverkon syötteinä käytettiin saatuja tietoja uimahallin taloteknisistä järjestelmistä ja dimensioista. Neuroverkko opetettiin käyttäen suomalai-sista uimahalleista kerättyjä vuosikulutustietoja sekä saatavilla olleita tietoja uimahallien teknisistä järjestelmistä, dimensioista ja käytöstä. Tietoja kerättiin VTT:n ylläpitämästä uimahalliportaalista, Aalto-yliopiston rakennusfysiikan tutkimusryhmän aikaisemmista tutkimuksista ja kyselyn avulla. Neuroverkon opetuksessa käytettiin vuosien 2008 - 2013 kulutustietoja. Aluksi etsittiin neuroverkolle optimaalinen syöteyhdistelmä käytössä olleista tiedoista alaspäin askelluksella. Tämän jälkeen määritettiin optimaalinen piilotetun tason koko kahdelle takaisinsijoittavalle algoritmille. Lopuksi luotua mallia testattiin käyttäen vertaamalla tuloksia 2014 kulutustietoihin. Opetusvaiheessa työssä luodulla neuroverkoilla pystyttiin mallintamaan uimahallin ener-giankulutusta noin neljän prosentin keskivirheellä. Testivaiheessa prosentuaalinen keskivirhe kasvoi noin yhdeksään prosenttiin. Käytetyillä syötteillä, piilotettujen neuronien määrällä ja opetusalgoritmilla oli suuri vaikutus neuroverkon oppimiseen. Levenberg - Marquard opetusalgoritmi on herkempi piilotettujen neuronien määrän vaihtelulle kuin Bayesian Regulation algoritmi. Vuoden 2014 kulutustietoihin verrattaessa Levenberg -Marquard algoritmi saavutti kuitenkin tarkempia tuloksia. Vähäisen tiedon määrän vuoksi nykyisellään neuroverkkomallilla ei voida ennustaa kaikkien oleellisten muuttujien vaikutusta energiankulutukseen, kuten taloteknisten jäjestelmien tai sisäilman olosuhteiden vaikutusta. Uimahallien energiankulutus on erittäin monimutkainen prosessi, joten tarkemman neuroverkkomallin luomiseksi tarvitaan enemmän tietoa.This thesis uses multi-layered feed forward artificial neural networks (ANNs) to predict the annual total energy consumption of swimming halls. The ANN takes some system specifications and dimensions of swimming halls as inputs. The data were collected from VTT’s swimming hall portal for years 2008-2013, conducted by a building physics research group of Aalto-university and poll. The study started with an exhaust search method for finding out an optimal input pattern. Then optimal sizes of hidden layers were tested using the data of year 2014. As the results shown, in training stage an ANN can predict annual total energy consumption of swimming halls with approximate mean absolute percentage error (MAPE) of 4%, while MAPE increases to 9% in testing stage. The performance of ANN was found to be affected greatly by used inputs, the number of hidden layers and learning algorithms. The Levenberg - Marquard algorithm seems more sensitive to number of hidden neurons than the Bayesian regulation algorithm. However, the Levenberg - Marquard algorithm achieved better results in testing stage. Due to lacking information, currently the ANN model cannot predict the impacts of all relevant building parameters on the annual energy consumption, for instance, influences from some building service systems and indoor environment. The operation of swimming pools is an extremely complex process. Thus, more information is required for improving the accuracy of ANN model