Filling the gaps for optimal electrification of space conditioning in buildings

Abstract

El artículo presenta un enfoque basado en datos para optimizar la electrificación de la climatización en edificios, un paso fundamental para reducir las emisiones de gases de efecto invernadero. Dado que los edificios generan emisiones significativas, particularmente debido a la calefacción, el uso de bombas de calor de fuente aérea (ASHP, por sus siglas en inglés) es destacado como estrategia clave para la descarbonización. La investigación aplica técnicas de agrupación (clustering) mediante el algoritmo K-means sobre más de 39.000 modelos distintos de bombas de calor, reduciendo esta amplia variedad a un conjunto representativo más manejable. Esto facilita su integración en herramientas de optimización energética. Además, desarrolla un modelo de regresión lineal que predice con precisión la dinámica térmica interna de los edificios, utilizando datos históricos de temperatura interna, consumo energético y variables ambientales externas.

La elección de un modelo de regresión lineal en lugar de enfoques más complejos como el aprendizaje profundo (deep learning) se debe a la necesidad de interpretabilidad y compatibilidad con el marco de optimización DECARB, un programa basado en optimización lineal entera mixta (MILP), diseñado para minimizar costos energéticos y emisiones en edificios. Aunque los modelos de aprendizaje profundo presentan mayor precisión, el modelo lineal ofrece un equilibrio eficiente entre rendimiento y simplicidad.

En definitiva, la contribución principal del estudio es ofrecer modelos escalables, interpretables y efectivos que faciliten una adopción más amplia de estrategias de electrificación en edificios, impulsando así los esfuerzos globales de lucha contra el cambio climático. Líneas futuras de investigación incluyen modelos predictivos del comportamiento de los ocupantes y la ampliación del modelado térmico para grandes conjuntos de edificios.

The paper introduces a data-driven approach to optimize the electrification of space conditioning in buildings, essential for reducing greenhouse gas emissions. With buildings responsible for substantial emissions, particularly from space heating, electrification using Air Source Heat Pumps (ASHPs) is highlighted as a key decarbonization strategy. The research involves clustering over 39,000 heat pump models into a manageable set of representative clusters using K-means clustering, facilitating simpler integration into optimization frameworks. It also develops a linear regression model to accurately predict buildings’ internal thermal dynamics based on historical temperatures, energy usage, and external environmental data.

The choice of a simpler linear regression model over more complex deep learning approaches is motivated by the requirement for interpretability and compatibility with the DECARB optimization framework, a mixed-integer linear programming tool that optimizes building energy costs and emissions. The study finds that although deep learning models have higher accuracy, linear regression provides an efficient balance between performance and simplicity.

Overall, the paper’s contribution lies in providing scalable, interpretable, and effective models for supporting widespread adoption of electrification strategies in buildings, advancing efforts to meet global climate objectives. Future research directions include developing predictive models for occupant behavior and scaling thermal modeling to accommodate large-scale building datasets.