DATA-DRIVEN PREDICTION OF ENERGY EFFICIENCY IN BUILDING RETROFIT

Abstract

As auditorias energérticas desempenham um papel crucial na identificação de oportunidades de melhoria da eficiência energética em edifícios por meio de retrofit. Este projeto, conduzido dentro de uma empresa francesa especializada em auditorias en ergéticas para edifícios terciários, concentra-se no desenvolvimento de um método confiável e econômico para calcular a economia de energia em retrofits. Isso é essen cial para melhorar a eficiência energética, reduzir as emissões de CO2 e alinhar-se à Estratégia Nacional de Baixo Carbono. Os métodos tradicionais para calcular melhorias na eficiência energética, como regressão estática e simulação térmica, têm limitações. A regressão estática simplifica demais os cálculos, enquanto a simulação térmica é muito cara. Para resolver isso, o projeto explora o aprendizado de máquina como uma solução orientada por dados capaz de fornecer estimativas precisas e rápidas. Com base em pesquisas anteriores, este projeto se concentra no desenvolvimento de modelos independentes de aprendizado de máquina para prever a economia de energia em vários retrofits. Essa abordagem reduz o número de entradas necessárias para cada modelo, melhorando a usabilidade para os funcionários sem comprometer o desempenho. Doze modelos independentes foram criados usando dados de duas bases de dados da empresa. O tratamento de dados e a engenharia de recursos foram empregados para preparar os dados para a apliacação do aprendizado de máquina. O estudo usou principalmente modelos de Gradient Boosting Machine (GBM) com transformação de regressão. Outros modelos, incluindo Redes Neurais Artificiais, Árvores de Decisão e Florestas Aleatórias, também foram explorados. Ajuste de hiperparâmetros, validação cruzada e múltiplos estados aleatórios foram implementados para todos os modelos, com o GBM demonstrando desempenho superior. Técnicas de clusterização e remoção de outliers foram aplicadas aos modelos GBM para retrofits específicos, resultando em melhorias de desempenho. Os resultados alcançados são considerados aceitáveis para aplicações do mundo real dentro da empresa. Os modelos foram integrados a um aplicativo da web, https://arcs-sevaia.streamlit.app/ , fornecendo aos funcionários da empresa uma ferramenta amigável para avaliar potenciais economias de energia de várias opções de retrofit.

Energy audits play a crucial role in identifying energy efficiency improvement opportunities in buildings through retrofitting. This project, conducted within a French company specializing in energy audits for tertiary buildings, focuses on developing a reliable and cost-effective method for calculating energy savings from retrofits. This is essential for improving energy efficiency, reducing CO2 emissions, and aligning with the National Low Carbon Strategy. Traditional methods for calculating energy efficiency improvements, such as static regression and thermal simulation, have limitations. Static regression oversimplifies calculations, while thermal simulation is very expensive. To address this, the project explores machine learning as a data-driven solution capable of providing accurate and rapid estimations. Building upon previous research, this project focuses on developing independent machine learning models to predict energy savings for various retrofits. This approach reduces the number of inputs required for each model, enhancing usability for employees without compromising performance. Twelve independent models were created using data from two company databases. Data treatment and feature engineering were employed to prepare the data for machine learning applications. The study primarily utilized Gradient Boosting Machine (GBM) models with regression transformation. Other models, including Artificial Neural Networks, Decision Trees, and Random Forests, were also explored. Hyperparameter tuning, cross-validation, and multiple random states were implemented for all models, with GBM demonstrating superior performance. Clusterisation and outlier removal techniques were applied to GBM models for specific retrofits, resulting in performance improvements. The results achieved are deemed acceptable for real-world applications within the company. The models have been integrated into a web application, https://arcs-sevaia.streamlit.app/, providing the company’s employees with a user-friendly tool to assess potential energy savings from various retrofitting options.