Cognitive urban building energy modeling: a new data science-based approach for energy management at the urban level

Francisco Miguel Madeira Amaro Pires Costa

Informações chave

Autores:

Francisco Miguel Madeira Amaro Pires Costa (Francisco Miguel Madeira Amaro Pires Costa)

Orientadores:

Carlos Augusto Santos Silva (Carlos Augusto Santos Silva)

Publicado em

14/02/2022

Resumo

Como grande parte da população mundial vive hoje em áreas urbanas, um dos principais desafios da sociedade em geral é projetar melhor os espaços urbanos, tornálos mais confortáveis para o cidadão, respeitando o meio ambiente, com objetivo de atingir equilíbrio simbiótico e mais sustentável entre ambos. Durante décadas a simulação de energia tem sido usada para ambientes urbanos (Offenhuber and Ratti 2014), sendo no entanto feita edifício a edifício, e não considerando as interações entre edifícios. Para responder a este desafio, surgiu o novo campo da Modelagem Energética de Edifícios Urbanos (UBEM). UBEM são ferramentas de software complexas que podem modelar o consumo de energia nos edifícios e variáveis relacionadas ao nível urbano. O desenvolvimento deste tipo de modelos requer conhecimentos multidisciplinares e, portanto, ainda são poucas as implementações. As implementações do UBEM são um tanto recentes e seus desenvolvimentos ainda enfrentam alguns desafios: i) os dashboards para exibir e analisar os dados, em geral não exploram totalmente os modelos tridimensionais, a dimensão temporal, e a dimensão das diferentes escalas organizacionais urbanas; ii) as ferramentas são baseadas em bases de dados estáticas que não levam explicitamente em consideração as novas possibilidades oferecidas pela Internet das Coisas (IoT), por exemplo, instrumentos de medição inteligentes do consumo de energia ou integração com algoritmos de machine learning; iii) as ferramentas são projetadas para o lado do planeamento de aplicações e não consideram a gestão operacional em tempo real. Esta tese propõe uma nova abordagem UBEM denominada Modelagem Energética Urbana Cognitiva (CogUBEM, do Inglês Cognitive Urban Building Energy Modeling). CogUBEM pode ser definido como uma modelagem de energia de construção urbana ubíqua minimamente opinativa para plano e operação, que integra explicitamente o ciclo de ciência de dados, incluindo as dimensões de troca de dados com conexões IoT para sensores e análise de dados, como por exemplo previsão do consumo de energia. Além disso, explora completamente os dados tridimensionais dos modelos (3D), a dimensão temporal (4D) e a representação de recursos (5D). Para ilustrar tal paradigma, a tese descreve o software de prova de conceito, ou implementação do CogUBEM, denominado “Cognitive Urban Buildings Suite” ou “CogUrBS” pela simplicidade, e aplica-o a vários estudos de caso: no bairro da Encarnação em Lisboa para explicar o workflow e demonstrar a exploração completa de todas as dimensões; no caso do campus da IST Alameda para explorar a integração dos fluxos de trabalho da ciência de dados, incluindo os dados do sensor em tempo real, controlo, mas também o caso do campus do Lawrence National Berkeley Laboratory (LBNL) da Universidade de Berkeley para previsão de consumos baseado em dados de contadores inteligentes. Os resultados mostram a grande flexibilidade e vantagens que advêm da utilização da abordagem CogUBEM, o que demonstra que este tipo de ferramenta também pode ser utilizado para gestão energética operacional de áreas urbanas. As most of the world population is living in urban areas today, one of the key challenges as a society is to design better urban spaces, to make them more comfortable to citizens, while respecting the environment, in a symbiotic and more sustainable balance between both. For decades urban building energy simulation has been used (Offenhuber and Ratti 2014), although on a building by building basis not considering the interactions between buildings. To answer this challenge, the new field of Urban Building Energy Modeling (UBEM) has emerged. UBEM are complex software tools that can model the energy consumption and other related variables at the urban level. The development of this type of models requires multidisciplinary knowledge, and thus there are still few implementations. UBEM implementations are somewhat recent and its developments still face some challenges: i) the dashboards to display and analyze the data in general do not fully explore the spatial three-dimensional models and the temporal dimension, as well as the different urban organizational scales dimension; ii) the tools are based on static databases and do not explicitly take into consideration the new technological data driven settings promoted by Internet-of-Things (IoT), e.g. smart meter energy consumption, or the integration with machine learning algorithms; iii) the tools are designed for planning applications and do not consider the operational management in real time. This thesis proposes a new UBEM approach denominated Cognitive Urban Building Energy Modeling (CogUBEM). CogUBEM can be defined as a minimally opinionated cross-platform urban building energy modeling paradigm for both plan and operation, integrating the data science cycle, including the dimensions of Data Exchange with IoT connections to sensors, and Data Analytics, e.g. energy consumption forecasting. Further, it fully explores the spatial three-dimensional data of the models (3D), the temporal dimension (4D) and the different urban scales (5D). For illustrating such paradigm, the thesis describes the proof-of-concept software, or CogUBEM implementation, called “Cognitive Urban Buildings Suite” or “CogUrBS” for simplicity, and applies it to several cases studies: i) in the neighborhood of Encarnação in Lisbon to explain the workflow and demonstrate the full exploration of all the dimensions; ii) to the case of the IST Alameda campus to explore the integration of the data science workflows, including the real time sensor data, control, but also iii) in the case of Lawrence National Berkeley Laboratory (LBNL) of California Berkeley the machine learning for data prediction. The results show the great flexibility and advantages that come with the use of CogUBEM approach, which demonstrate that this type of tool can also be used for operational energy management of urban areas.