Electrical load prediction of healthcare buildings through single and ensemble learning

Abstract

Healthcare buildings are characterized by complex energy systems and high energy usage, therefore serving as the key areas for achieving energy conservation goals in the building sector. An accurate load prediction of hospital energy consumption is of paramount importance to a successful healthcare building energy management. In this study, eight machine learning models of single learning and ensemble learning were developed for predicting healthcare facilities’ energy consumption. To validate the performance of the proposed model, an experiment was conducted on a general hospital in Shanghai, China. It was found that the two ensemble models, Extreme Gradient Boosting (XGBoost) model and Random Forest (RF) model, outperformed single models in daily electrical load prediction. A further comparison between models trained with daily and weekly temporal resolution electrical data shows that it is more likely to achieve higher accuracy with finer time granularity. Through feature importance analysis, the most influential features under the daily and weekly electrical load prediction were identified. Based on the prediction results, it is expected that hospital facility managers will be able to conveniently assess the expected energy usage of their hospitals with the machine learning models.

Desarrollo de un sistema de gestión energética en la clínica Portoazul

“…El EnPI desarrollado para la clínica no es complejo de calcular e implementar, por lo que puede ser manejado por el personal técnico, lo cual es esencial para el éxito del sistema de gestión. Comparado con otros estudios [6], [7], [9], [10], este es un enfoque más práctico y económico que no requiere la introducción de nuevas tecnologías.…”

“…Los indicadores de desempeño se seleccionarán en función de la correlación adecuada entre parámetros de operación. La predicción precisa del consumo energético es esencial para una gestión energética efectiva en edificaciones hospitalarias [7]. En la gestión energética se consideran que correlaciones de R 2 > 0.6 pueden utilizarse como indicadores potenciales, mientras que correlaciones R 2 > 0.8 son indicadores potenciales fuertes [15], [17]- [20].…”

“…En Marruecos se dieron avances en una guía de buenas prácticas para mejorar la eficiencia energética en edificaciones hospitalarias para contribuir a los objetivos nacionales de eficiencia energética [11]; la metodología analiza diferentes EnPIs y su aplicación en contextos similares; y los resultados señalan que, en instalaciones hospitalarias, la introducción de estrategias de eficiencia energética está en sus inicios. Por otra parte, en un hospital en Shanghái (China), se validó el uso de modelos de aprendizaje automático para predecir el consumo energético en edificaciones hospitalarias [7]; sus resultados muestran como el uso de datos diarios del consumo energético permite predecir de forma más precisa el consumo energético que los datos semanales; adicional, se identificaron la temperatura ambiente, la presión atmosférica y la operación del sistema de aire acondicionado como los principales factores que afectan el consumo energético en edificaciones hospitalarias. Finalmente, el desempeño térmico de las oficinas médicas en una edificación hospitalaria en Lisboa (Portugal) se evalúo con un estudio experimental holístico basado en métodos numéricos [6]; en este caso se monitoreó la temperatura, los flujos de calor y la irradiación en 2 oficinas médicas durante temporadas de calentamiento y enfriamiento; como resultado se recomendó el uso de ventanas de cristal reflectivo doble para reducir el consumo de energía en el acondicionamiento de aire.…”

Short-Term Electricity Load Forecasting with Machine Learning

“…The error term is then constrained by a specified margin ε (epsilon). SVR is frequently used for STLF with the linear [25] or radial basis function (RBF) kernel [66], identifying load patterns better than other linear models [67].…”

A Framework for the Automatic Integration and Diagnosis of Building Energy Consumption Data

“…Almost all techniques of statistical learning, both supervised and unsupervised, have been employed in building energy consumption diagnostics, as well as ensemble learning methods, employing multiple learning algorithms simultaneously [ 43 , 44 ]. Numerous researches have also been carried out on building energy consumption prediction, which could also be utilized for diagnostic purposes with minimal modifications [ 44 ].…”