Data-driven zone-level temperature prediction for energy-efficient and demand-responsive HVAC control in smart buildings

Abstract

The main objective of this study is to develop an accurate and scalable data-driven methodology for predicting zone-level indoor air temperature (IAT) to support sustainable HVAC operation in smart buildings. These objectives were achieved by collecting IoT-enabled time-series thermal data from multiple air handling unit-based zones within an educational building. A rule-based zone grouping strategy based on floor level, orientation, solar exposure and usage characteristics was implemented to address spatial variability. Three deep learning architectures, namely Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Recurrent Neural Network (RNN), were developed and evaluated using real operational data. The models were used to capture temporal thermal dynamics and to assess prediction accuracy and computational efficiency under both normal and demand re-sponse (DR) operating conditions. The most important results indicated that the LSTM model achieved the best prediction performance, with a Mean Absolute Error (MAE) of approximately 0.1°C and coefficient of determination (R²) values of up to 95%. The developed models also showed fast prediction times of approximately 4–5 seconds, making them suitable for real-time HVAC applications. In addition, the prediction performance remained stable during DR events, confirming the robustness of the developed models under dynamic operating conditions. The significance of the obtained results lies in showing that zone-level data-driven thermal prediction combined with intelligent zone grouping can provide reliable short-term IAT forecasting for sustainable and responsive HVAC operation in smart buildings.

Obiectivul principal al acestui studiu este dezvoltarea unei metodologii precise și scalabile, bazate pe date, pentru prezicerea temperaturii aerului interior (IAT) la nivel de zonă, în vederea susținerii funcționării durabile a sistemelor HVAC în clădirile inteligente. Acest obiectiv a fost atins prin colectarea de date termice în serii temporale, bazate pe IoT, din mai multe zone deservite de unități de tratare a aerului dintr-o clădire educațională. A fost implementată o strategie de grupare a zonelor bazată pe reguli, utilizând nivelul etajului, orientarea, expunerea solară și caracteristicile de utilizare, pentru a aborda variabilitatea spațială. Trei arhitecturi de învățare profundă, și anume Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) și Rețeaua Neuronală Recurentă (RNN), au fost dezvoltate și evaluate utilizând date operaționale reale. Modelele au fost folosite pentru a capta dinamica termică temporală și pentru a evalua acuratețea predicției și eficiența computațională atât în condiții normale de funcționare, cât și în condiții de răspuns la cerere (DR). Rezultatele au indicat că modelul LSTM a obținut cea mai bună performanță de predicție, cu o Eroare Absolută Medie (MAE) de aproximativ 0.1 °C și valori ale coeficientului de determinare (R2) de până la 95%. Modelele dezvoltate au demonstrat, de asemenea, timpi de predicție reduși, de aproximativ 4–5 secunde, ceea ce le face potrivite pentru aplicații HVAC în timp real. În plus, performanța de predicție a rămas stabilă în timpul evenimentelor DR, confirmând robustețea modelelor dezvoltate în condiții dinamice de funcționare. Semnificația rezultatelor obținute constă în demonstrarea faptului că predicția termică bazată pe date la nivel de zonă, combinată cu gruparea inteligentă a zonelor, poate furniza prognoze IAT fiabile pe termen scurt pentru o funcționare sustenabilă și adaptivă a sistemelor HVAC în clădirile inteligente.

Основная цель данного исследования — разработка точной и масштабируемой методологии, основанной на данных, для прогнозирования температуры воздуха в помещении (IAT) на уровне зон, что позволит обеспечить устойчивую работу систем отопления, вентиляции и кондиционирования воздуха (HVAC) в интеллектуальных зданиях. Эти цели были достигнуты путем сбора временных рядов тепловых данных с использованием IoT-технологий из нескольких зон обработки воздуха в учебном здании. Для учета пространственной изменчивости была реализована стратегия группировки зон на основе правил, учитывающая уровень этажа, ориентацию, солнечное излучение и характеристики использования. Были разработаны и оценены три архитектуры глубокого обучения: долговременная кратковременная память (LSTM), вентилируемый рекуррентный блок (GRU) и рекуррентная нейронная сеть (RNN), с использованием реальных эксплуатационных данных. Модели использовались для учета временной динамики температуры и оценки точности прогнозирования и вычислительной эффективности как в нормальных условиях, так и в условиях реагирования на спрос (DR). Наиболее важные результаты показали, что модель LSTM продемонстрировала наилучшие показатели прогнозирования со средней абсолютной ошибкой (MAE) приблизительно 0.1 °C и коэффициентом детерминации (R2), достигающим 95%. Разработанные модели также продемонстрировали быстрое время прогнозирования, составляющее приблизительно 4–5 секунд, что делает их пригодными для применения в системах отопления, вентиляции и кондиционирования воздуха (ОВК) в режиме реального времени. Кроме того, точность прогнозирования оставалась стабильной во время событий динамического регулирования, подтверждая надежность разработанных моделей в динамических условиях эксплуатации. Значимость полученных результатов заключается в демонстрации того, что основанное на данных прогнозирование температуры на уровне зон в сочетании с интеллектуальной группировкой зон может обеспечить надежное краткосрочное прогнозирование температуры внутри помещений для устойчивой и быстрой работы систем ОВК в интеллектуальных зданиях.