Data-enabled predictive control of air handling unit with wireless sensor and weather data

Abstract

Buildings use up to 25% of their energy for heating, with air handling units (AHUs) being major energy consumers, often managed by fixed setpoints or outdoor temperature curves. These methods don’t use space-specific data or weather forecasts, which limits efficiency.

The goal of this thesis is to develop a data-enabled predictive controller (DeePC) method that optimizes a ventilation unit based on real-time data and weather forecasts, evaluating energy savings and indoor air quality. A secondary aim is to assess DeePC’s suitability for building automation and control of ventilation units, focusing on one unit serving one area.

Implementation involves wireless sensors measuring temperature and CO₂, with weather data from an open application programming interface (API). The control system maintains local temperature, duct pressure, airflow, and safety functions. Four weeks of operational data collected during February–April 2026 were used to construct the Hankel matrices. Testing compares traditional control with DeePC through real-world runs, analysing energy use, temperature, control stability, and practicality.

The implementation demonstrated the practical feasibility of DeePC in a real building automation environment. The results showed potential for reducing heating energy consumption while maintaining equal indoor thermal conditions to the conventional control strategy.

Rakennukset käyttävät jopa 25 % energiastaan lämmitykseen, ja ilmanvaihtokoneet ovat merkittäviä energiankuluttajia. Niitä ohjataan usein kiinteillä asetusarvoilla tai ulkolämpötilaan perustuvilla säätökäyrillä. Nämä menetelmät eivät hyödynnä tilakohtaista dataa tai sääennusteita, mikä rajoittaa energiatehokkuutta.

Tämän diplomityön tavoitteena on kehittää dataohjattu predikatiivinen säätömenetelmä (engl. DeePC), joka optimoi ilmanvaihtokoneen toimintaa reaaliaikaisen datan ja sääennusteiden perusteella. Tavoitteena on arvioida menetelmän vaikutusta energiankulutukseen ja sisäilman laatuun. Toissijaisena tavoitteena on arvioida DeePC-menetelmän soveltuvuutta rakennusautomaatioon ja ilmanvaihtokoneiden ohjaukseen yhden ilmanvaihtokoneen ja sen palveleman alueen tapauksessa.

Toteutuksessa käytetään langattomia lämpötila- ja hiilidioksidiantureita sekä avoimesta ohjelmointirajapinnasta saatavaa säätietoa. Rakennusautomaatiojärjestelmä vastaa lämpötilan, kanavapaineen, ilmavirtojen ja turvatoimintojen paikallisesta säädöstä. Vuoden 2026 helmi–huhtikuussa kerättyä 4 viikon mittausdataa käytetään Hankel-matriisien muodostamiseen. Menetelmän suorituskykyä arvioidaan ja käytännön kohdetestin avulla vertaamalla perinteiseen säätöstrategiaan energiankulutuksen, lämpötilan, säädön vakauden ja käytännön toteutettavuuden näkökulmista.

Toteutus osoitti DeePC-menetelmän käytännön toteutettavuuden aidossa rakennusautomaatioympäristössä. Tulokset osoittivat menetelmän potentiaalin lämmitysenergian kulutuksen vähentämisessä samalla, kun sisäolosuhteet säilyivät perinteistä säätöstrategiaa vastaavina.