Fault detection and diagnosis in building energy systems

Abstract

Das massive Wachstum an Energiebedarf erfordert Gegenmaßnahmen in Form von Energieeinsparungen, wobei Gebäude hier eine wesentliche Rolle spielen, da sie einen signifikanten Anteil am Energieverbrauch haben. Öffentliche, Wohn- und kommerzielle Gebäude tragen 40% in Europa und 41% in den USA zum Gesamtenergieverbrauch bei. Studien zeigen, dass davon ein Großteil in Heizung, Lüftung und Klima (HLK) geht. Um diesen Energieverbrauch zu reduzieren ist es erforderlich, dass der Betrieb der HLK-Komponenten nicht nur effizient, sondern auch möglichst fehlerfrei erfolgt. Das Verhalten der unterschiedlichen Komponenten wird sensorisch erfasst, um dadurch Fehler erkennen und diagnostizieren zu können. Die anfallende Datenmenge macht eine durchgehende Analyse mittels einfacher Visualisierungen in Hinblick auf Datenfehler sehr unpraktikabel. Dafür sind Methoden zur automatisierten Fehlererkennung erforderlich. Diese Arbeit konzentriert sich auf automatische Erkennung und Diagnose von Fehlern in Gebäudeenergiesystemen unter Verwendung von Datenanalyse- und Maschinenlernalgorithmen mit dem Ziel, den Konfigurationsaufwand sowie das erforderliche Domänenwissen möglichst gering zu halten. Im ersten Schritt wurde ein Workflow zur Datenbereinigung und Betriebsdatenanalyse erarbeitet, um so die Zuverlässigkeit der Betriebsdaten zu erhöhen. Durch diesen Workflow wurde eine automatisierte Betriebszyklus-Erkennung ebenso wie eine Datenvalidierung über Grundprinzipien wie Massen- oder Energieerhaltung erreicht und außerdem einige Visualisierungen für die erste Analyse sowie die Erkennung von Daten-Ausreißern und Datenlöchern erarbeitet, um die Datenqualität zu erhöhen. Zusätzlich wurden Methoden des Mustervergleichs angewendet, um verschiedene Datenanomalien während der Datenaufzeichnung zu detektieren. Um unterschiedliche Betriebsmuster in den Betriebszyklen von Energiesystemen identifizieren zu können, wurde Daten-Clustering verwendet, das die Betriebsdaten als diskrete Muster repräsentiert. Diese Muster wurden aus den Betriebszyklusdaten extrahiert und dem Clustering-Algorithmus als Eingänge gegeben, der diese nach den Betriebsmustern gruppiert. Mithilfe statistischer Analyse wurde die optimale Cluster-Anzahl ermittelt, indem der geringste Unterschied zwischen Intra-Cluster Elementen und größter Abstand zwischen Inter-Cluster-Elementen ermittelt wurde. Der in dieser Arbeit erstellte Workflow wurde auf Betriebsdaten unterschiedlicher Energiesysteme angewendet. Die vorgeschlagene Methodik hat sich als sehr hilfreich bei der Extraktion von Information für die Datenanalyse erwiesen und hat Fehler erfolgreich diagnostiziert. Der Workflow hat somit zur Domäne der Fehlererkennung und -diagnose im Bereich von Gebäudeenergiesystemen beigetragen.

The rapid growth in the global energy demand necessitates its efficient use in order to reduce energy consumption. Buildings share the major portion of the total energy consumption of the world: the energy demands of residential, public and commercial buildings together constitute a 40% of the European and 41% of the US total energy consumption. Investigations show that the main component of energy consumption in a typical building is the Heating, Ventilation and Air-conditioning (HVAC) facility. To reduce energy consumption, it is thus very important that the operation of HVAC components is not only efficient but also without any fault. In order to observe the various types of behavior of energy systems in buildings, these components are monitored using sensors that can be used to detect and diagnose the different types of faults in the HVAC components. The size of the data makes it difficult and very inefficient to continuously analyze the data with simple visualizations for detection and diagnosis of faults in the data. Therefore, it is required to develop tools and techniques for automatic detection and diagnosis of faults in the data. This research focuses on automatic detection and diagnosis of faults in the energy systems of buildings using data analytics and machine learning algorithms using a minimum of required configuration setup and domain knowledge. In the first step a work-flow for data sanitation and analysis of operation data has been proposed for increasing reliability in the operation data of building related energy systems. The main tasks achieved in the sanitation work-flow are automatic detection of duty cycles (operational), validation of data using first principles, various visualizations for basic analysis, outliers detection in the data, and missing data imputation, to ensure the data quality for the analysis of the energy system. Moreover, a solution has been proposed using pattern matching method, to detect various anomalies in the data that have been added while monitoring the energy systems. Furthermore, use of clustering is suggested for finding the various patterns of the operational cycles in data of the energy systems in building. The data of the operational cycles is represented in a discretized pattern form, extracted from the operational cycle's data, which has been provided as an input to the clustering algorithm. The clustering algorithm groups the duty cycles according to their operation pattern. The optimal number of clusters was chosen by using the gaps statistical analysis that finds the minimum difference between the intra-cluster elements and maximum difference between the inter-cluster elements. The proposed workflow has been applied using operational data of different energy systems. The suggested methodology has been helpful in extracting useful information for analysis and successfully detected and diagnosed faults. The proposed work-flow leads to a novel contribution in the domain of fault detection and diagnosis in the energy systems of building.