Data-driven moving-window Bayesian inference for transient CO2–temperature network models of buildings

Gebäude sind keine statischen Kästen; sie sind lebende Systeme, die atmen, Wärme speichern und auf die Menschen in ihnen reagieren. Jedes Mal, wenn eine Tür geöffnet wird, eine Person eintritt oder ein Fenster einen Spalt offen steht, verändert sich die Luft im Inneren und trägt sowohl Wärme als auch Kohlendioxid mit sich. Seit Jahrzehnten versuchen Ingenieure vorherzusagen, wie diese Veränderungen den Komfort in Innenräumen beeinflussen, wobei sie sich auf Modelle verlassen, die Wärme und Luftqualität als getrennte Probleme behandeln. Sie wissen, dass Wände Wärme leiten und dass Menschen Wärme erzeugen, aber sie haben oft Schwierigkeiten, die unsichtbaren Luftströmungen zu verfolgen, die sich zwischen den Räumen bewegen, insbesondere wenn die Sensoren spärlich gesät sind oder sich das Verhalten des Gebäudes plötzlich ändert. Die Herausforderung bestand darin, ein System zu schaffen, das aus begrenzten Daten in Echtzeit lernen kann und dabei zwischen einem Sensorfehler und einer echten Änderung des Gebäude-Verhaltens unterscheidet, während die Berechnungen schnell genug bleiben müssen, um für die Steuerung von Heiz- und Kühlsystemen nutzbar zu sein.

Ein Team von Forschern der Eindhoven University of Technology hat einen neuen Ansatz entwickelt, der die Temperatur eines Gebäudes und seinen Kohlendioxidgehalt als zwei Seiten derselben Medaille betrachtet. Anstatt Wärme und Luftqualität isoliert zu betrachten, haben sie ein Modell geschaffen, das sie durch die unsichtbaren Treiber von Luftstrom und menschlicher Präsenz miteinander verknüpft. In diesem Rahmen ist die Bewegung der Luft das gemeinsame Bindeglied: Dieselben Luftströmungen, die Kohlendioxid von einem Raum in einen anderen tragen, tragen auch Wärme. Durch die Beobachtung, wie sich sowohl die Temperatur als auch das Kohlendioxid über die Zeit verändern, kann das System rückwärts rechnen, um herauszufinden, wo sich Menschen befinden, wie die Luft zwischen den Zonen strömt und wie das Gebäude selbst Energie speichert oder abgibt. Diese Methode erfordert kein dichtes Netzwerk teurer Sensoren; sie arbeitet mit den spärlichen Daten, die typischerweise in Bürogebäuden zur Verfügung stehen, indem sie eine Technik namens Moving-Window-Bayesianische-Inferenz nutzt. Dieser Ansatz betrachtet ein kurzes, aktuelles Zeitfenster – wie etwa ein vierzigminütiges Fenster – anstatt zu versuchen, die gesamte Geschichte des Gebäudes auf einmal zu analysieren. Dies ermöglicht es dem Modell, sich schnell anzupassen, wenn sich die Bedingungen ändern, beispielsweise wenn ein Meeting endet und Menschen von einem kleinen Büro in einen großen Konferenzraum wechseln.

Um ihre Idee zu testen, bauten die Forscher zuerst eine perfekte, computergenerierte Version eines Gebäudes mit vier kleinen Büros, zwei großen Besprechungsräumen und einem Verbindungsflur. In dieser simulierten Welt kannten sie die exakte Wahrheit: Sie wussten genau, wie viele Menschen in jedem Raum waren, wie schnell die Luft genau strömte und wie die Wände die Wärme leiteten. Dann führten sie realistische Sensorfehler ein, die die leichten Ungenauigkeiten echter, billiger Sensoren nachahmen. Als sie ihr neues Modell gegen diese Daten laufen ließen, rekonstruierte es erfolgreich die verborgenen Muster von Luftstrom und Belegung. Das Modell war in der Lage, die Bewegung der Menschen von den kleinen Büros in den großen Besprechungsraum zu verfolgen und seine internen Schätzungen der Luftströmungen und der Wärmespeicherung an die neue Realität anzupassen. Entscheidend war, dass das System, wenn es auf eine plötzliche Änderung stieß, die es zuvor nicht gesehen hatte, nicht einfach nur rät; es signalisierte seine Unsicherheit. Der Bereich der möglichen Antworten weitete sich aus und sagte dem Benutzer effektiv: „Ich bin mir noch nicht sicher“, bis genügend neue Daten einflossen, um den neuen Zustand zu bestätigen. Diese Fähigkeit, Zweifel zu quantifizieren, ist ein Schlüsselmerkmal, da sie verhindert, dass das System während chaotischer Übergänge selbstbewusst, aber falsche Vorhersagen trifft.

Die Forscher verglichen ihr kombiniertes Modell anschließend mit einer einfacheren Version, die nur die Temperatur betrachtete. In der perfekten, simulierten Umgebung funktionierte das temperatur-basierte Modell recht gut, da Wärme und Kohlendioxid in der Simulation so eng durch die Physik miteinander verknüpft waren. Das kombinierte Modell erwies sich jedoch in einem spezifischen Punkt als überlegen: Es passte sich viel schneller an die plötzliche Änderung der Belegung an. Als die Menschen wechselten, aktualisierte das Modell, das die Kohlendioxid-Daten nutzte, sein Verständnis des Luftstroms und der Anzahl der Personen fast sofort, während das temperatur-basierte Modell hinterherhinkte. Dies deutet darauf hin, dass selbst wenn Temperaturdaten verfügbar sind, die zusätzliche Ebene der Kohlendioxid-Informationen dem System hilft, die korrekte Erklärung für das Geschehen im Gebäude schneller zu finden.

Um zu sehen, ob dies in der realen Welt Bestand hat, bauten die Forscher ein maßstabsgetreues physisches Modell desselben Gebäudegrundrisses. Sie verwendeten kleine Ventilatoren, um Luft zwischen den Räumen zu leiten, und eine kontrollierte Quelle für Kohlendioxid und Wärme, um eine Gruppe von Menschen zu simulieren, die sich in einem Raum versammelt. Im Gegensatz zur perfekten Computersimulation wies dieser physische Aufbau reale Unvollkommenheiten auf: Die Luft vermischte sich nicht perfekt, die Sensoren hatten ihre eigenen Eigenheiten und das Verhalten des Gebäudes entsprach nicht immer exakt den theoretischen Gleichungen. Trotz dieser Abweichungen schnitt das Modell beeindruckend ab. Es verfolgte erfolgreich den Anstieg und Abfall von Kohlendioxid und Temperatur, während die künstlichen „Menschen“ ihre Quelle an- oder ausschalteten.ت Noch wichtiger war, dass das kombinierte Modell ein viel klareres Bild der Vorgänge lieferte als die temperatur-basierte Version. In dem realen Experiment führte die Temperatur allein dazu, dass das Modell fiktive Wärmequellen in Räumen erfand, in denen niemand anwesend war, in dem Versuch, die Temperaturänderungen mit falschen Annahmen zu erklären. Die Kohlendioxid-Daten fungierten als Realitätscheck, verhinderten diese Fehler und verengten den Bereich der Unsicherheit um die Luftstromschätzungen. Das Modell lernte, dass die Temperaturänderungen durch die bekannte Quelle im Hauptraum angetrieben wurden und nicht durch Phantom-Wärmequellen an anderen Stellen.

Die Studie untersuchte auch, wie sich die Größe des Zeitfensters auf die Ergebnisse auswirkte. Sie fanden heraus, dass die Verwendung eines längeren Datenfensters die Genauigkeit im Allgemeinen verbesserte, das Rauschen glättete und es dem Modell ermöglichte, besser zwischen zufälligen Sensorfehlern und echten Trends zu unterscheiden. Wenn das Fenster jedoch zu lang war, wurde das Modell träge und reagierte langsam auf plötzliche Änderungen. Das ideale Maß erlaubte es dem System, sowohl präzise als auch reaktionsschnell zu sein. Die Forscher entdeckten auch, dass das Modell das Rauschniveau jedes einzelnen Sensors schätzen konnte. Wenn ein Sensor Probleme machte oder wenn das Verhalten des Gebäudes signifikant von den Erwartungen des Modells abwich, weitete das System automatisch seine Unsicherheitsbereiche aus und signalisierte damit, dass die Daten weniger zuverlässig als üblich seien.

Obwohl die Ergebnisse vielversprechend sind, weisen die Forscher vorsichtig auf die Einschränkungen hin. Ihr Modell geht davon aus, dass die Luft in jedem Raum perfekt durchmischt ist, was in der Realität selten der Fall ist; in einem echten Büro könnte die Luft in der Nähe eines Lüftungsauslasses kühler sein als die Luft in der Nähe eines Fensters. Zudem konzentrierten sie sich auf ein vereinfachtes Szenario, in dem die einzige Wärmequelle die simulierten Menschen waren, wobei andere häufige Faktoren wie Sonnenlicht, Computer oder Beleuchtung ignoriert wurden. In einem echten Gebäude könnten diese zusätzlichen Wärmequellen das Bild verkomplizieren und es schwieriger machen, die Effekte der Menschen von den Effekten der Geräte zu trennen. Die Forscher schlagen vor, dass zukünftige Arbeiten diese zusätzlichen Faktoren einbeziehen müssen, um das Modell robust genug für den Einsatz in vollem Maßstab zu machen. Sie räumen auch ein, dass die aktuelle Berechnungsmethode zwar effektiv, aber anspruchsvoll ist und möglicherweise gestrafft werden muss, bevor sie kontinuierlich auf Standard-Gebäudesteuerungssystemen laufen kann.

Letztendlich demonstriert diese Arbeit eine kraftvolle neue Art, einem Gebäude zuzuhören. Indem sie Temperatur und Kohlendioxid als gekoppeltes System behandeln, haben die Forscher eine Methode geschaffen, die in der Lage ist, die unsichtbare Dynamik von Luftstrom und Belegung aus begrenzten Daten abzuleiten. Es ist ein Werkzeug, das nicht nur die Zukunft vorhersagt, sondern die Gegenwart versteht und seine Zuversicht anpasst, während sich das Gebäude verändert. Für die Manager von Bürogebäuden könnte dies eine Zukunft bedeuten, in der Heiz- und Kühlsysteme nicht nur auf einen Thermostaten reagieren, sondern auf den tatsächlichen Fluss von Menschen und Luft, was Energie spart und den Komfort verbessert, ohne dass ein Sensor in jeder Ecke installiert werden muss. Der Weg nach vorne besteht darin, diese Modelle zu verfeinern, um das unordentlichere, komplexere Chaos vollumfänglicher Gebäude zu bewältigen, aber die Kernidee – dass Luft und Wärme dieselbe Geschichte erzählen – wurde als wirksam bewiesen.