Bibliographic Metadata

Title
Reliable data forecasting for building automation systems / von Jürgen Pannosch
AuthorPannosch, Jürgen
CensorSchachinger, Daniel ; Kastner, Wolfgang
PublishedWien, 2018
Descriptionxiii, 96 Seiten : Diagramme
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2018
Annotation
Zusammenfassung in deutscher Sprache
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Gebäudeautomation / Data Mining / maschinelles Lernen
Keywords (EN)building automation / data mining / machine learning
URNurn:nbn:at:at-ubtuw:1-108830 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Reliable data forecasting for building automation systems [4.19 mb]
Links
Reference
Classification
Abstract (German)

Im Laufe der Jahre wurden immer mehr Gebäude mit einem Gebäudeautomationssystem ausgestattet. Dieses automatisiert verschiedenste Gebäudedienste, wie Heizung, Kühlung, Lüftung, Klimatisierung, Beschattung, Beleuchtung, Alarmierung und Sicherheitssysteme. Darüber hinaus ist ein weiteres Ziel des Gebäudeautomationssystems, solche Dienste automatisch zu optimieren. Optimierungen können verschiedene Zwecke haben, z.B. um das Gebäude energieeffizienter zu machen, den Komfort der Nutzer zu erhöhen oder einfach nur um es wartungsfreundlicher zu machen. Für die meisten Optimierungsaufgaben ist es unerlässlich, das zukünftige Verhalten eines Gebäudes zu kennen. Prognosen verschiedener Sensoren im Gebäude können dieses Wissen generieren. Daher hat diese Arbeit verschiedene Algorithmen zur Vorhersage solcher Sensordaten evaluiert. Die untersuchten Algorithmen waren Autoregressive Integrated Moving Average (ARIMA), Artificial Neural Network (ANN) und Support Vector Machine (SVM). Die Bewertung wurde in fünf Kategorien eingeteilt, die sich auf verschiedene Arten von Sensoren im Gebäude beziehen. Diese Arten von Sensoren waren Elektrizität, Fernwärme, Feuchtigkeit, Temperatur und Photovoltaik-Produktion. Darüber hinaus wurden die Algorithmen zu verschiedenen Jahreszeiten ausgewertet, um die Genauigkeit der Algorithmen über das ganze Jahr zu untersuchen. Die Auswertung endete in einer umfassenden Leistungsbewertung, bei der der ANN-Algorithmus den anderen überlegen war. Schließlich wurde der ANN-Algorithmus mit der erarbeiteten Netzwerkstruktur in einer JAVA-Bibliothek zur weiteren Entwicklung und Wiederverwendung implementiert.

Abstract (English)

Over the years, more and more buildings got equipped with a building automation system (BAS) which provides the ability to automate building services, like heating, cooling, ventilation, air conditioning, shading, lighting, alarming, safety and security systems. Furthermore, an additional aim of a BAS is to optimize such services automatically. Such optimizations can have different purposes, e.g., to make the building more energy efficient, raise the comfort of the users, or just to make them more maintainable. For most optimization tasks, it is essential to know the future behavior of a building. Forecasts of different sensors in the building can generate this knowledge. Therefore, this thesis evaluated different algorithms to forecast such sensor data. The algorithms under investigation are ARIMA, ANN and SVM. The evaluation was divided into five categories related to different types of sensors in a building. These types of sensors were electricity, district heating, humidity, temperature, and photovoltaic production. Furthermore, the algorithms were evaluated at different seasons to ensure the accuracy of the algorithms throughout the year. This approach ended in a comprehensive performance evaluation where the ANN algorithm was superior to the others. Finally, the ANN algorithm with its elaborated network structure was implemented in a JAVA library for further development and reuse.

Stats
The PDF-Document has been downloaded 19 times.