Developing the basic method for quality assurance and accelerated commissioning of energy monitoring systems

Abstract

Gebäude sind einer der größten Energieverbraucher und tragen daher stark zu den globalen Treibhausgasemissionen bei. Die Reduzierung des Energieverbrauchs von Gebäuden ist ein Schlüsselelement zur Erreichung der Klimaziele der Europäischen Union.Moderne Designs von neu errichteten oder sanierten Gebäuden haben sich als höchst energieeffizient erwiesen und bieten dennoch ein angenehmes Raumklima. Während einige dieser höchst energieeffizienten Gebäude ihre Auslegungswerte für den Energieverbrauch einhalten, zeigen andere eine deutliche Abweichung. Ein Energiemonitoringsystem mit Submetering kann helfen, die Gründe für Abweichungen zu identifizieren, z.B. Fehler in der Gebäudetechnik oder eine von der Planung abweichende Gebäudenutzung. Darüber hinaus ist das Energiemonitoring ein nützliches Tool für Continuous Commissioning, welches dabei hilft, einen energieeffizienten Gebäudebetrieb sicherzustellen.Bevor ein Energiemonitoringsystem zur Erkennung von Fehlern im Gebäudebetrieb eingesetzt werden kann, muss das Monitoringsystem selbst in Betrieb genommen und validiert werden – insbesondere, wenn das System mit Submetering und damit komplexer ist. Sicherzustellen, dass das Energiemonitoringsystem vertrauenswürdige Daten liefert und fehlerfrei ist, ist eine zeitaufwändige aber notwendige Aufgabe. Durch den Einsatz verschiedener computergestützter Methoden und Algorithmen könnte diese Aufgabe unterstützt und beschleunigt werden. Angesichts der jüngsten Fortschritte in der Informatik erscheint ein Set von Methoden möglich, das fast alle Fehler im Energiemonitoringsystem automatisch erkennen kann, indem es allein die vom System bereitgestellten Daten analysiert. Ein Schlüsselelement, das als Voraussetzung für ein solches Set von Methoden benötigt wird, ist ein Verfahren, das bestimmen kann, ob ein Energiezähler einem anderen Zähler untergeordnet ist oder nicht. Das Ziel dieser Arbeit ist die Entwicklung einer solchen Methode.Die entwickelte neuartige Methode bestimmt die Hauptzähler-Subzähler-Beziehung zwischen zwei Energiezählern allein durch die Analyse der Zeitreihen der Energiemessungen der Zähler. Es wird gezeigt, wie die Zeitreihendaten transformiert und welche Merkmale daraus abgeleitet werden müssen, um sie als Input für Random Forest Classifier Machine Learning Algorithmen zu verwenden. Die Einsatzgrenzen der Methode werden durch Entwicklung und Validierung mit Monitoringdaten unterschiedlicher zeitlichen Auflösungen und unterschiedlicher Zeitspannen evaluiert. Da sich das Verfahren primär auf die Erkennung gleichartiger Änderungen in Lastprofilen konzentriert, hängt seine Leistungsfähigkeit von den gemessenen Energieverbrauchern und der Volatilität ihrer Lastprofile ab. Für den Fall von Monitoringdaten von Stromzählern mit einer zeitlichen Auflösung von 5 min ist zu erwarten, dass die Methode ca. 40% der Stromzählerhierarchie identifizieren kann. Für die Fälle mit 10 min und 15 min zeitlicher Auflösung sinkt die Rate auf etwa 34% und 26%.

Buildings are among the largest energy consumers and thereby significantly contribute to global greenhouse gas emissions. Reducing the energy consumption of buildings is one key element for achieving the European Union’s climate goals.Modern designs of newly erected or refurbished buildings proved to be highly energy-efficient while still offering a comfortable indoor climate. While some of these highly energy-efficient buildings meet their design values for energy consumption, others showed a significant deviation. An energy monitoring system with deeper submetering can help identify the reasons for a deviation, e.g., errors in the building’s systems or a building usage that deviates from the planning. Moreover, energy monitoring is a useful tool for continuous commissioning, which aids in ensuring an energy-efficient building operation.Before an energy monitoring system can be used to detect errors in the building operation, the monitoring system itself needs to be commissioned and validated – especially if the system is with deeper submetering and thus more complex. Ensuring that the energy monitoring system provides reliable data and is free of errors is a time-consuming but necessary task. By using different computer-aided methods and algorithms, this task could be aided and sped up. Considering the recent advances in computer science, a set of methods that can automatically detect almost all errors in the energy monitoring system solely by analyzing the data provided by the system appears possible. A key element that is needed as a prerequisite for such a set of methods is a method that can determine whether an energy meter is subordinate to another meter or not. The objective of this thesis is the development of such a method.The developed novel method determines the main meter-submeter relationship between two energy meters solely by analyzing the time series of the meter’s energy measurements. It is shown how the time series data must be transformed and which features must be derived from it to use them as input for random forest classifier machine learning algorithms. The application limits of the method are evaluated through development and validation with monitoring data of varying time resolutions and varying time slot lengths. As the method primarily focuses on detecting similar changes in load profiles, its performance depends on the measured energy consumers and the volatility of their load profiles. For the case of monitoring data from electricity meters with a time resolution of 5 min, it can be expected that the method can infer approximately 40% of the electricity meter hierarchy. For the cases 10 min and 15 min time resolution, the rate drops to approximately 34% and 26%.