Data-driven analysis of the thermal behavior of a logistic warehouse

Abstract

El present Treball de Final de Màster té com objectiu millorar el coneixement previ sobre el comportament tèrmic d'un gran magatzem per a reduir el seu consum energètic i millorar el confort tèrmic dels seus ocupants.

Els sensors IoT previament insta\lgem ats permeten la implementació de Xarxes Neuronals per predir la temperatura mitjana a la zona més ocupada de l'edifici. Això implica un procés de reco\lgem ecció de dades des de la base de dades al núvol com a primer pas, seguit d'una preparació de la base del \textit{dataset} per a millorar les possibilitats dels models d'Aprenentatge Automàtic. S'han provat models tradicionals de Xarxes Neuronals (NN) com les NN denses o les NN convolucionals (CNN) així com arquitectures més enfocades a la predicció de línies temporals com les NN Recursives (RNN) o les RNN Convolucionals entre d'altres.

Els models evaluats en aquest estudi han oferit un rendiment de predicció adequat per a una estratègia de control millorada per al sistema de climatització, incluint les temperatures esperades per a la pròxima setmana, setmana laboral o dia. Conèixer per endavant si les temperatures límit establertes per al confort tèrmic es creuaran amb la configuració actual permetrà actuar en conseqüència i reconfigurar el sistema de climatització. S'espera que la implementació d'aquesta estratègia millori el confort tèrmic dels ocupants de l'edifici i una reducció del consum energètic quan sigui possible.

El presente Trabajo de final de Máster tiene como objetivo mejorar el conocimiento previo sobre el comportamiento térmico de un gran almacén para reducir su consumo energético y mejorar el confort térmico de sus ocupantes.

Los sensores IoT previamente instalados han permitido la implementación de Redes Neuronales para predecir la temperatura media en la zona más habitada del edificio. Esto implica un proceso de recogida de datos desde la base de datos en la nube como primer paso, seguido de una preparación del \textit{dataset} para mejorar las posibilidades de los modelos de Aprendizaje Automático. Se han probado modelos tradicionales de Redes Neuronales (NN) como NN densas o NN Convolucionales (CNN) junto con arquitecturas más enfocadas a la predicción de series temporales como las NN Recursivas (RNN) o las RNN Convolucionales entre otras.

Los modelos evaluados en este estudio han ofrecido un rendimiento de predicción adecuado para una estrategia de control mejorada para el sistema de climatización, incluyendo las temperaturas esperadas para la próxima semana, semana laboral o día. Conocer de antemano si las temperaturas límite establecidas para el confort térmico se van a cruzar con la configuración actual permitirá actuar en consecuencia y reconfigurar el sistema de climatización. Se espera que la implementación de esta estrategia mejore el confort térmico de los ocupantes del edificio y una reducción del consumo energético cuando sea posible.

This Master's Thesis is aimed at enhancing the previous knowledge about the thermal behavior of a large warehouse in order to reduce its energy consumption and improve the thermal comfort of its occupants.

The installed IoT sensors allowed the implementation of Neural Networks to predict the mean temperature in the most inhabited zone of the building. This implied a data gathering process from the cloud-based database as a first step, followed by a dataset preparation to improve the possibilities of the Machine Learning models. Traditional Neural Networks (NN) models as dense NN or Convolutional NN (CNN) have been tested along with other architectures more aimed at time-series-predicting such as Recursive NN (RNN) or Convolutional RNN among others.

The evaluated models in this study delivered forecasting performances suitable with an improved control strategy for the climate system including the expected temperatures for the coming week, workweek or day. Knowing in advance if the threshold temperatures set for thermal comfort will be crossed with the current configuration will allow to act in consequence and reconfigure the climate system. The implementation of the latter strategy is expected to improve the thermal comfort for the building's occupants and an energy consumption reduction when possible.