Możliwości predykcji zużycia ciepła w lokalu mieszkalnym za pomocą modeli autoregresji

• Autorzy: Bartnicki Grzegorz , Nowak Bogdan

Identyfikatory

DOI

10.36119/15.2021.5.1

Warianty tytułu

EN

Possibilities of predicting heat consumption in a dwelling by autoregression models

• Języki publikacji: PL

Abstrakty

PL

W artykule opisano możliwości wykorzystania modeli ARIMA i XGBoost do predykcji zużycia ciepła w mieszkaniach budynku wielorodzinnego. W oparciu o dane pomiarowe zużycia ciepła w mieszkaniach dwóch zespołów budynków z okresu 2016-2020 opracowano modele ARIMA i XGBoost do predykcji zużycia ciepła w okresach miesięcznych, a do obliczeń wykorzystano środowisko R. Wyniki zaprezentowano w artykule dla wybranych mieszkań w postaci tabelarycznej i rysunków. Stwierdzono, że modele ARIMA wykazują dużą dokładność, nie są jednak skuteczne w przypadku gwałtownych zmian pojedynczych obserwacji. Do zastosowań opisanych w artykule wymagają też jeszcze dalszych badań. XGBoost jest algorytmem znacznie bardziej zaawansowanym, a w konsekwencji istnieje znacznie więcej parametrów modelu, które należy ustawić i później zoptymalizować. Ten aspekt będzie przedmiotem dalszych prac badawczych, gdyż pomimo oczekiwania takiego rezultatu, wykorzystanie tego algorytmu nie dało dużo lepszych przybliżeń wyniku do wartości rzeczywistych niż modele ARIMA.

EN

The article describes the possibilities of using the ARIMA and XGBoost models to predict heat consumption in dwellings in a multi-family building. Based on the measurement data from the period 2016-2020 of heat consumption in dwellings in two building complexes, ARIMA and XGBoost models were developed to predict heat consumption in monthly periods, and the R environment was used for the calculations. The results are presented in the article for selected apartments in the form of tables and figures. ARIMA models were found to be good, but not effective for rapid changes in single observations. The applications described in the article also require further research. XGBoost is a much more advanced algorithm, and consequently there are many more model parameters that need to be set and optimized later. Therefore, this aspect will be the subject of further research, because despite the expectation of good results, the use of this algorithm did not give much better prediction for rapid changes than the ARIMA models.

Słowa kluczowe

PL

sztuczna inteligencja; uczenie maszynowe; modelowanie predykcyjne

EN

artificial intelligence; machine learning; predictive modeling

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2021
• Tom: nr 5
• Strony: 8--14
• Opis fizyczny: Bibliogr. 25 poz., rys., tab., wykr.

Twórcy

autor

Bartnicki Grzegorz

• Katedra Klimatyzacji, Ogrzewnictwa, Gazownictwa i Ochrony Powietrza, Politechnika Wrocławska

• https://orcid.org/0000-0002-4482-6950

autor

Nowak Bogdan

• Katedra Klimatyzacji, Ogrzewnictwa, Gazownictwa i Ochrony Powietrza, Politechnika Wrocławska

• https://orcid.org/0000-0002-9764-5555

Bibliografia

• [1] Adamski M., Myszkowska A., Rozliczanie kosztów ogrzewania na przykładzie wybranego mieszkania, Budownictwo i Inżynieria Środowiska 9/2018, s. 7-14.
• [2] Ashina S., Nakata T. (2008) Energy-efficiency strategy for CO2 emissions in a residential sector in Japan. Applied Energy, 85 (2-3), pp. 101-114.
• [3] Baldvinsson I., Development of Community Heat Supply System towards Increased Sustainability, Doctoral Thesis, Department of Management Science & Technology Graduate School of Engineering, Thoku University, August 9, 2016.
• [4] Bandurski K., Wpływ użytkowników na bilans energetyczny budynków mieszkalnych - badania i modelowanie, Rozprawa doktorska, Wydział Inżynierii Środowiska i Energetyki Politechniki Poznańskiej, Poznań 2021.
• [5] Bartnicki G., Nowak B., Predykcja zużycia ciepła w lokalu mieszkalnym na podstawie danych historycznych z ciepłomierzy mieszkaniowych, INSTAL 12/2020, s. 15-20. DOI: 10.36119/15.2020.12.2
• [6] Bartnicki G., Nowak B., Koniec sezonu grzewczego a efektywność energetyczna instalacji odbioru ciepła, INSTAL 4/2020, s. 2-11. DOI: 10.36119/15.2020.4.1
• [7] Bartnicki G., Nowak B., Model ARIMA w prognozowaniu zużycia gazu w cyklach miesięcznych. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN. 2018, nr 103, s. 145-158. DOI: 10.24425/123712
• [8] Chen T., Guestrin C. (2016), XGBoost: A Scalable Tree Boosting System [w:] Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD’16, ACM Press, New York 2016, s. 785-794.
• [9] Dell’Isola M., Ficco G., Canale L., Palella B. I., Puglisi G., An IoT Integrated Tool to Enhance User Awareness on Energy Consumption in Residential Buildings, Atmosphere 10/2019 (743). DOI:10.3390/atmos10120743 [10] Dudziński K., Nowa dyrektywa wzmacnia możliwości oszczędnego gospodarowania ciepłem w budynkach mieszkalnych, INSTAL 2/2019, s. 26-28.
• [11] Gajda J., Bartnicki G., Burnecki K., Modeling of water usage by means of ARFIMA–GARCH and its Applications, Vol. 512, 15 December 2018, s. 644-657
• [12] Harvey L. D. D., A Handbook on Low-Energy Buildings and District-Energy Systems, Earthscan, London - Sterling VA 2006.
• [13] IEA, Promoting Energy Efficiency Investments. Case studies in the residential sector, OECD/IEA and AFD, 2008
• [14] Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, WNT, Warszawa 2008.
• [15] Levermore G. J., Building energy management systems: applications to low-energy HVAC and natural ventilation control, E&FN Spon, 2000.
• [16] Michalak P., Badania efektywności energetycznej budynku użyteczności publicznej wykorzystującego odnawialne źródła energii, Rozprawa doktorska, Wydział Inżynierii Mechanicznej i Robotyki AGH, Kraków 2009.
• [17] Michnikowski P., Szczechowiak E., Rozliczanie kosztów ogrzewania lokali uzależnione od rzeczywistego zużycia energii dla ogrzewania w budynkach wielorodzinnych, Rynek Energii 6/2013.
• [18] Nikolaou T., Kolokotsa D., Stavrakakis G., Review on methodologies for energy benchmarking, rating and classification of buildings, Advances in Building Energy Research 5/2011, s. 53-70. DOI:10.1080/1751254 9.2011.582340
• [19] Nowak B., Bartnicki G., Prognozowanie przedziału czasowego z maksymalnym w ciągu doby zużyciem gazu przez kotłownię. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN. 2019, nr 109, s. 93-109. DOI: 10.24425/znigsme.2019.130166
• [20] Osman A. A., Ahmed A. N., Chow M. F., Huang Y. F., El-Shafie A., Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia, Ain Shams Engineering Journal, dostęp online, 22 January 2021
• [21] Ozmen, A., Yilmaz, Y. i Weber, G.W., Natural gas consumption forecast with MARS and CMARS models for residential users, Energy Economics 70/2018, s. 357-381. DOI: 10.1016 / j.eneco.2018.01.022
• [22] Pelsmakers S., The environmental design pocketbook, RIBA Publishing, London 2015.
• [23] PN-EN 12831:2006 Instalacje ogrzewcze w budynkach - Metoda obliczania projektowego obciążenia cieplnego.
• [24] PN-B-03406:1994 Ogrzewnictwo – Obliczanie zapotrzebowania na ciepło pomieszczeń o kubaturze do 600 m3
• [25] Wójcik F., Prognozowanie dziennych obrotów przedsiębiorstwa za pomocą algorytmu XGBoost - studium przypadku, Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, Nr 375, Katowice 2018, s. 121-140.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).