Surrogate-based Calibration Methods for Building Energy Models

Les bâtiments jouent un rôle clé dans la transition vers un avenir plus vert. Pour mieux comprendre leur rôle, les modèles énergétiques de bâtiments (MEB) peuvent être utilisés pour déterminer les actions qui réduiront le plus efficacement les émissions de carbone. Les MEB sont des modèles numériques de bâtiments qui peuvent être simulés pour étudier un large éventail de scénarios d’efficacité énergétique et de décarbonation. Toutefois, pour obtenir des résultats précis pour les scénarios, la consommation d'énergie simulée des MEB doit correspondre à la consommation d'énergie mesurée des bâtiments modélisés. En d'autres termes, les MEB doivent être calibrés. La calibration des MEB est une tâche difficile car les bâtiments sont très complexes, avec un grand nombre de paramètres inconnus de bâtiment et relativement peu de données connues (par exemple, l'énergie mesurée) pour les déduire. Cette thèse présente deux nouvelles méthodes de calibration de MEB qui font une meilleure utilisation des données connues et de leurs interactions que la plupart des méthodes. Elles exploitent le pouvoir prédictif des modèles de substitution ainsi que les données météorologiques et d’énergie à haute résolution pour mieux calibrer les MEB que les méthodes existantes dans la littérature. La troisième contribution de la thèse est une étude comparative qui met en lumière l'importance de l'utilisation de données détaillées de consommation pour calibrer les modèles énergétiques des bâtiments urbains (UBEM), qui sont des MEB multiples regroupés dans un contexte urbain. Les modèles de substitution sont des modèles simplifiés d'apprentissage machine qui sont entraînés pour imiter des modèles plus complexes, tels qu'un MEB. La première nouvelle méthode de calibration utilise un modèle de substitution par réseau neuronal artificiel (RNA) qui, contrairement aux modèles de substitution similaires dans la littérature, apprend l'impact des données météorologiques et d'occupation du bâtiment, à la fois actuelles et passées, sur la consommation d'énergie mesurée. Le RNA de substitution est également beaucoup plus grand que la plupart des RNA dans la littérature afin de tenir compte du nombre accru d'entrées. Grâce à ces entrées, le RNA est capable de mieux prédire l'énergie mesurée. La deuxième méthode de calibration novatrice réentraîne un modèle de régression polynomiale multiple (RPM) plusieurs fois avec des espaces de paramètres inconnus de plus en plus restreints, ce qui réduit peu à peu l'erreur entre ses prédictions et l'énergie mesurée. En général, les modèles de substitution ne sont entraînés qu'une seule fois sur l'ensemble de l'espace des paramètres de bâtiment inconnus, ce qui rend leurs prédictions moins précises. Le modèle RPM ajuste également un modèle de régression distinct pour chaque heure de l'année, prenant ainsi en compte l'impact des conditions extérieures (la météo) et intérieures sur l'énergie mesurée. Dans la troisième contribution, nous examinons l'effet de la résolution spatio-temporelle de l'énergie mesurée sur la précision de calibration d'un UBEM résidentiel de 50 maisons. Quatre résolutions temporelles différentes (quart d'heure, heure, jour et mois) et trois résolutions spatiales différentes (maisons individuelles, groupes de 10 maisons et un groupe de 50 maisons) sont comparées. Les principales conclusions sont que les résolutions temporelles moins détaillées (par exemple, mensuelles) ont un faible impact négatif sur la précision de calibration du MEBU, tandis que les résolutions spatiales moins détaillées (par exemple, des groupes de 10 maisons) ont un impact négatif important. Toutefois, ces résultats ont été obtenus dans un contexte où le comportement d'occupation des maisons dans l'UBEM est estimé à partir des données mesurées elles-mêmes. Les résultats pourraient être différents si l'UBEM était calibré sans cette estimation ou avec de vraies données d’occupation. Les deux nouvelles méthodes de calibration de MEB et l'étude comparative posent les bases pour des méthodes de calibration encore plus avancées, qui exploitent au mieux les données connues pour déduire avec plus de précision les paramètres inconnus de bâtiment.

Abstract

Buildings play a key role in the transition to a greener future. To best understand their role, building energy models (BEMs) can be used to determine what actions will reduce carbon emissions most effectively. BEMs are computer models of buildings, which can be simulated to study a wide range of climate mitigation scenarios. However, to obtain accurate findings for the scenarios, the simulated energy consumption of the BEMs should match the measured energy consumption of the modelled buildings. In other words, BEMs should be calibrated. BEM calibration is a difficult task because buildings are very complex, with a large number of unknown building parameters and relatively few known data (e.g., measured energy) to infer them. In this dissertation, two novel BEM calibration methods are presented that use more known data than most methods. They exploit the predictive power of surrogate models as well as high resolution weather and measured data to better calibrate BEMs than existing methods in the literature. A third contribution of the dissertation is a comparative study that sheds light on the importance of using detailed measured energy to calibrate urban building energy models (UBEM), which are multiple BEMs pooled together in an urban context. Surrogate models are simplified, machine learning models that are trained to emulate more complex models, such as a BEM. The first novel calibration method uses an artificial neural network (ANN) surrogate that, unlike similar surrogates in the literature, learns the impact that current and past hourly weather and building occupancy data has on the measured energy consumption. The surrogate ANN is also a lot larger than most ANNs in the literature to account for the increased number of inputs. Thanks to these inputs, the ANN is able to better predict the measured energy. The second novel calibration method retrains a multiple polynomial regression (MPR) model multiple times with increasingly restricted unknown building parameter spaces, which steadily reduces the error between its predictions and the measured energy. Typically, surrogate models are only trained once on the entire unknown building parameter space, so the predictions are less accurate. The MPR model also fits a separate regression model to each hour of the year, thereby considering how varying exterior (i.e., weather) and interior conditions impact the measured energy. Both surrogate calibration methods outperform a common method in the literature in a controlled case study, with simulated “measured” data. In a case study with real measured data, the two methods perform similarly to the common calibration method, probably since the BEM was not configured accurately enough to allow the methods to differentiate themselves. In the third contributing article, we examine the effect that the spatiotemporal resolution of measured energy has on the calibration accuracy of a residential UBEM of 50 detached houses. Four different temporal resolutions (quarter-hourly, hourly, daily, and monthly) and three different spatial resolutions (individual houses, clusters of 10 houses, and one cluster of 50 houses) are compared. The main findings are that less detailed temporal resolutions (e.g., monthly) have a small negative impact on the UBEM’s calibration accuracy, while less detailed spatial resolutions (e.g., clusters of 10 houses) have a large negative impact. However, these are findings in a context where the occupancy behaviour of the houses in the UBEM is estimated from the measured energy itself. There could be different results if the UBEM is calibrated without this estimation or with actual occupancy data. The two novel calibration methods and the comparative study lay the groundwork for more advanced calibration methods, which take even more advantage of the known data to more accurately infer the unknown building parameters.