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

Gebouwen zijn geen statische dozen; het zijn levende systemen die ademen, warmte opslaan en reageren op de mensen binnenin. Elke keer dat een deur opengaat, een persoon naar binnen loopt of een raam op een kier staat, verandert de lucht binnenin, waarbij zowel warmte als koolstofdioxide wordt meegevoerd. Decennialang hebben ingenieurs geprobeerd te voorspellen hoe deze veranderingen de binnencomfort beïnvloeden, vertroukkend op modellen die warmte en luchtkwaliteit als afzonderlijke problemen behandelen. Ze weten dat muren warmte geleiden en dat mensen warmte genereren, maar ze hebben vaak moeite met het volgen van de onzichtbare luchtstromen die tussen kamers bewegen, vooral wanneer sensoren schaars zijn of het gedrag van het gebouw plotseling verandert. De uitdaging is geweest om een systeem te creëren dat in realtime kan leren van beperkte gegevens, waarbij het onderscheid maakt tussen een sensorfout en een werkelijke verschuiving in hoe het gebouw zich gedraagt, terwijl de berekeningen snel genoeg blijven om nuttig te zijn voor het aansturen van verwarmings- en koelsystemen.

Een team onderzoekers aan de Eindhoven University of Technology heeft een nieuwe aanpak ontwikkeld die de temperatuur van een gebouw en de koolstofdioxidegehaltes behandelt als twee zijden van dezelfde munt. In plaats van naar warmte en luchtkwaliteit in isolatie te kijken, hebben ze een model gecreëerd dat ze aan elkaar koppelt via de onzichtbare drijfveren van luchtstroom en menselijke aanwezigheid. In dit kader is de beweging van lucht de gemeenschappelijke factor: dezelfde luchtstromen die koolstofdioxide van de ene naar de andere kamer vervoeren, vervoeren ook warmte. Door te observeren hoe zowel temperatuur als koolstofdioxide in de loop van de tijd veranderen, kan het systeem terugwerken om te achterhalen waar mensen zijn, hoe de lucht tussen zones beweegt en hoe het gebouw zelf energie opslaat of afgeeft. Deze methode vereist geen dicht netwerk van dure sensoren; het werkt met de schaarse gegevens die gebruikelijk zijn in kantoorgebouwen, gebruikmakend van een techniek genaamd moving-window Bayesian inference. Deze aanpak kijkt naar een korte, recente tijdssegment—zoals een venster van veertig minuten—in plaats van te proberen de volledige geschiedenis van het gebouw in één keer te analyseren. Dit stelt het model in staat om snel aan te passen wanneer de omstandigheden veranderen, zoals wanneer een vergadering eindigt en mensen van een kleine kantoorruimte naar een grote conferentieruimte verplaatsen.

Om hun idee te testen, bouwden de onderzoekers eerst een perfecte, computergegenereerde versie van een gebouw met vier kleine kantoren, twee grote vergaderzalen en een verbindende gang. In deze gesimuleerde wereld kenden ze de exacte waarheid: ze wisten precies hoeveel mensen er in elke kamer waren, precies hoe snel de lucht bewoog en precies hoe de muren warmte geleidden. Vervolgens introduceerden ze realistische sensorfouten, die de lichte onnauwkeurigheden van goedkope, echte sensoren nabootsen. Wanneer ze hun nieuwe model tegen deze gegevens lieten draaien, slaagde het erin de verborgen patronen van luchtstroom en bezetting te reconstrueren. Het model was in staat om de beweging van mensen van de kleine kantoren naar de grote vergaderruimte te volgen, waarbij het zijn interne schattingen van luchtstromen en warmteopslag aanpaste om aan de nieuwe realiteit te voldoen. Cruciaal was dat wanneer het systeem een plotselinge verandering tegenkwam die het nog niet eerder had gezien, het niet simpelweg gokte; het gaf aan hoe onzeker het was. De reeks mogelijke antwoorden werd breder, wat effectief de gebruiker vertelde: "Ik weet het nog niet zeker," totdat er genoeg nieuwe gegevens binnenstroomden om de nieuwe staat te bevestigen. Dit vermogen om twijfel te kwantificeren is een kernkenmerk, omdat het voorkomt dat het systeem zelfverzekerde maar foutieve voorspellingen doet tijdens chaotische overgangen.

De onderzoekers vergeleken hun gecombineerde model vervolgens met een eenvoudigere versie die alleen naar temperatuur keek. In de perfecte, gesimuleerde omgeving presteerde het temperatuur-alleen model redelijk goed, omdat de warmte en koolstofdioxide zo nauw met elkaar verbonden waren door de fysica van de simulatie. Echter, het gecombineerde model bleek superieur op één specifiek punt: het paste zich veel sneller aan aan de plotselinge verandering in bezetting. Wanneer de mensen verplaatsten, update het model dat de koolstofdioxidegegevens gebruikte zijn begrip van de luchtstroom en het aantal mensen bijna onmiddellijk, terwijl het temperatuur-alleen model achterbleef. Dit suggereerde dat zelfs wanneer temperatuurgegevens beschikbaar zijn, de extra laag koolstofdioxide-informatie het systeem helpt om sneller de juiste verklaring te vinden voor wat er binnen in het gebouw gebeurt.

Om te zien of dit standhield in de echte wereld, bouwden de onderzoekers een geschaalde fysieke versie van hetzelfde gebouwontwerp. Ze gebruikten kleine ventilatoren om lucht tussen kamers te drijven en een gecontroleerde bron van koolstofdioxide en warmte om een groep mensen te simuleren die in een kamer samenkomt. In tegenstelling tot de perfecte computersimulatie had deze fysieke opstelling echte imperfecties: de lucht mengde niet perfect, de sensoren hadden hun eigen eigenaardigheden en het gedrag van het gebouw kwam niet altijd exact overeen met de theoretische vergelijkingen. Ondanks deze discrepanties presteerde het model indrukwekkend. Het volgde succesvol de stijging en daling van koolstofdioxide en temperatuur terwijl de kunstmatige "mensen" hun bron aan- en uitzetten. Belangrijker nog, het gecombineerde model bood een veel duidelijker beeld van wat er aan de hand was dan de temperatuur-alleen versie. In het echte experiment leidde de temperatuurdata alleen ertoe dat het model valse warmtebronnen in kamers waar niemand aanwezig was, bedacht, in een poging de temperatuurveranderingen te verklaren met onjuiste aannames. De koolstofdioxidegegevens fungeerden als een reality check, die deze fouten voorkwam en de onzekerheidsmarge rond de luchtstroomschattingen verkleinde. Het model leerde dat de temperatuurveranderingen werden gedreven door de bekende bron in de hoofdkamer, en niet door fantoomwarmtebronnen elders.

De studie onderzocht ook hoe de grootte van het tijdsvenster de resultaten beïnvloedde. Ze ontdekten dat het gebruik van een langer gegevensvenster de nauwkeurigheid over het algemeen verbeterde, door ruis te filteren en het model beter in staat te stellen onderscheid te maken tussen willekeurige sensorfouten en echte trends. Echter, als het venster te lang was, werd het model traag en traag in het reageren op plotselinge veranderingen. Het ideale middenpunt zorgde ervoor dat het systeem zowel accuraat als responsief was. De onderzoekers ontdekten ook dat het model het ruisniveau van elke individuele sensor kon inschatten. Als een sensor begon te haperen of als het gedrag van het gebouw aanzienlijk afweek van de verwachtingen van het model, zou het systeem automatisch de onzekerheidsmarges verbreden, wat aangaf dat de gegevens minder betrouwbaar waren dan gewoon.

Hoewel de resultaten veelbelovend zijn, zijn de onderzoekers voorzichtig met het benoemen van de beperkingen. Hun model gaat ervan uit dat de lucht in elke kamer perfect gemengd is, wat in de werkelijkheid zelden het geval is; in een echt kantoor kan de lucht bij een ventilatierooster koeler zijn dan de lucht bij een raam. Ze richtten zich ook op een vereenvoudigd scenario waarin de enige warmtebron de gesimuleerde mensen waren, waarbij andere veelvoorkomende factoren zoals zonlicht, computers of verlichting werden genegeerd. In een echt gebouw zouden deze extra warmtebronnen het beeld kunnen compliceren, waardoor het moeilijker wordt om de effecten van mensen te scheiden van de effecten van apparatuur. De onderzoekers suggereren dat toekomstig werk deze extra factoren moet opnemen om het model robuust genoeg te maken voor grootschalige implementatie. Ze erkennen ook dat de huidige computationele methode, hoewel effectief, veeleisend is en gestroomlijnd moet worden voordat het continu kan draaien op standaard gebouwbeheersystemen.

Uiteindelijk demonstreert dit werk een krachtige nieuwe manier om naar een gebouw te luisteren. Door temperatuur en koolstofdioxide als een gekoppeld systeem te behandelen, hebben de onderzoekers een methode gecreëerd die de onzichtbare dynamiek van luchtstroom en bezetting kan afleiden uit beperkte gegevens. Het is een instrument dat niet alleen de toekomst voorspelt, maar ook het heden begrijpt en zijn vertrouwen aanpast naarmate het gebouw verandert. Voor de beheerders van kantoorgebouwen zou dit kunnen betekenen dat verwarmings- en koelsystemen niet alleen reageren op een thermostaat, maar op de werkelijke stroom van mensen en lucht, wat energie bespaart en het comfort verbetert zonder dat er een sensor in elke hoek geïnstalleerd hoeft te worden. De weg vooruit houdt in dat deze modellen moeten worden verfijnd om de rommelige, complexere realiteit van gebouwen op volle schaal aan te kunnen, maar het kernidee—dat lucht en warmte hetzelfde verhaal vertellen—is bewezen te werken.