Utilization of big data from the built sector
Author
Leiria E Pereira, Daniel Henrique
Term
4. term
Publication year
2020
Abstract
Dette speciale undersøger, hvordan store datamængder fra smart energimålere i bygninger kan udnyttes til bedre at forstå energiefterspørgsel, systemydelse og brugeradfærd i fjernvarmesystemer. Med udgangspunkt i timebaserede målinger fra 1.665 bygninger i en by øst for Aalborg, Danmark (oktober 2018 til oktober 2019), registreret af Kamstrup Multical-målere, udvikles og anvendes en samlet arbejdsgang i RStudio bestående af datapræprocessering, visualisering og klyngeanalyse. Præprocesseringen omfatter organisering af rå ugentlige filer, identifikation og håndtering af fejl, outliers og manglende værdier samt en benchmark af imputationsmetoder for at udpege de mest egnede til fjernvarmedata. Der afledes og visualiseres nye variable, der belyser bygningsrelaterede egenskaber som transmissionsvarmetab, solgevinster og temperaturforskelle. Afslutningsvis anvendes K-means-klyngning på forskellige variable og datasæt, herunder daglige profiler, for at gruppere lignende forbrugsmønstre og afdække relationer mellem klynger. Studiet leverer værktøjer og indledende indsigter, som kan understøtte analyse af bygningsenergiforbrug i fjernvarmesammenhæng; detaljerede kvantitative resultater fremgår ikke af dette uddrag.
This thesis explores how large datasets from building smart energy meters can be leveraged to better understand energy demand, system performance, and user behavior in district heating. Using hourly measurements from 1,665 buildings in a town east of Aalborg, Denmark (October 2018 to October 2019), recorded by Kamstrup Multical meters, it develops and applies an RStudio-based workflow comprising data preprocessing, visualization, and clustering. The preprocessing pipeline organizes raw weekly files, detects and treats errors, outliers, and missing values, and benchmarks imputation methods to identify those best suited to district heating data. New variables are derived and visualized to reveal building-related properties such as transmission losses, solar gains, and temperature differences. Finally, K-means clustering is applied to different variables and datasets, including daily profiles, to group similar consumption patterns and explore relations between clusters. The study provides tools and preliminary insights to support analysis of building energy use in district heating systems; detailed quantitative results are not included in this excerpt.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents