Prediction of window handle state using machine learning. Issue 6 (4th December 2020)

• Record Type: Journal Article
• Authors: Vollmer, Michael; Langer, Marina; Banihashemi, Farzan; Harter, Hannes; Kierdorf, Daniel; Lang, Werner
• Is Part Of: Bauphysik. Volume 42:Issue 6(2020)
• Page Start: 352
• Page End: 359
• Publication Date: 2020-12-04
• Subjects: Nutzerverhalten -- maschinelles Lernen -- Monitoring -- Gebäudesimulation -- thermische Gebäudesimulation; user behaviour -- machine learning -- monitoring -- thermal building simulation; Raumklima; Indoor climate; Buildings -- Environmental engineering -- Periodicals; 690.05
• DOI: 10.1002/bapi.202000032
• Languages: English
• ISSNs: 0171-5445

Abstract

Abstract: The project described in this paper investigates the energy‐relevant behavior of window control actions of the occupants of an office building in Regensburg, Germany. The extensive data monitoring regarding energy consumption, indoor as well as outdoor climate, and window control actions (state of the window handle) started in 2017. Different machine learning classification algorithms are used together with the measured data to train models for the prediction of window openings and closings. The procedure is designed to identify the potentials and limitations of the realistic forecasting of occupant behavior based on the available data. Abstract: Vorhersage des Fensteröffnungszustands unter Anwendung von maschinellem Lernen Der in dieser Publikation beschriebene methodische Ansatz zur Anwendung von Algorithmen des maschinellen Lernens zur Vorhersage des Fensteröffnungsverhaltens von Gebäudenutzenden, basiert auf Monitoring‐Daten eines Bürogebäudes in Regensburg, Deutschland. Das umfangreiche Monitoring zur Erfassung der notwendigen Daten, z. B. der Innenraum‐ und Außentemperaturen, die Fenstergriffzustände etc. wurde im Rahmen eines Forschungsprojektes in den Jahren 2017 bis 2020 durchgeführt. Im Folgenden werden verschiedene Klassifizierungsalgorithmen des maschinellen Lernens auf die gemessenen Daten angewendet, um Modelle für die Vorhersage von Fensteröffnungen und ‐schließungen zu trainieren. Das Ziel ist es, die Potenziale und Grenzen der realistischen Vorhersage des Nutzerverhaltens auf der Grundlage der verfügbaren Daten zu identifizieren.