Buildings account for approximately 40% of energy consumption in the EU, and despite drastic increasing measures for energy efficient operation, the net value of energy consumption is expected to continue increasing because ofincreasing urbanization.While there has been increasing work done on managing external loads such as adapting to unpredictable climates, the research on internal loading, such as occupants, is still nascent.The specific case study here is on the Elmiaexhibition building, located in Jönköping. Elmia has highlyvariable event attendancesin the range of tens of thousandsthroughout the building occurring over multiple days.Theventilation is pre-programmed to supply air and heat for the maximum capacity at all events suchthat it is likely overventilated. Therefore, there is a need to better understand the real-time occupancy patternduring events to identify how to reduce overventilation. Therefore, this study focuses on one hall, Hall A.Among the variety of sensors out there,CO2sensorsarehighly effective indicatorsof occupancyin buildings and are already commonly used indemand-control ventilation(DCV). At Elmia, the spaces are substantially largerthan typical DCV-applied buildings, so the first part of the study explores how CO2sensormeasurementsvary by location within anexhibition hall.From initial results the CO2sensordata has slight differences based on locationdue to likely different occupant locationsduring events. The degree of difference from one multi-day event between the sensors varied by as high as 359ppm at peak occupancieswithin the hallwith median difference of 70 ppm. With real-time representation of the occupancy via sensors, the second part of the study soughtto establish predictive capabilities from sensor data. A single, average streaming CO2valuefor the hall was used for inputinto a machine learning prediction model, which representedan event with evenly distributed occupancy. For development purposes, data was obtainedfrom both simulation and real sensordata. Using the recently developed River Python Library for online machine learning, the model uses input of thesingle infinite stream of CO2concentrationand forecaststhis one hour ahead. This has useful implications for model-predictive controls because it can be used to adjust various possible parameters of the HVAC one hour ahead of timesuch as duringtransitions between occupied and non-occupied timeson event days, when the CO2differencesare most significant. Future analysis of the data from more events would confirm if multiple CO2datastreams would be needed torepresent occupancy more accurately. 

Byggnader förbruka ungefär 40 procent av energin i EU, och trots drastiskt ökande åtgärder för energieffektiv drift förväntas nettovärdet av energiförbrukningen fortsätta att öka på grund av ökande urbanisering. Även om det har gjorts ett ökande arbete medatt hantera externa belastningar, som att anpassa sig till oförutsägbara klimat, är forskningen om intern belastning, t.ex. människor inomhus, fortfarande inte helt känd. Den specifika fallstudien här fokuserar på en utställningshall i Elmia i Jönköping. Elmia har mycket varierande evenemangsbesök i storleksordningen tiotusentals i hela byggnaden och under flera dagar. Ventilationen är förprogrammerad att alltid tillföra luft och värme för maximal kapacitet under evenemang, vilket innebär att den sannoliktöverventileras. Därför finns det ett behov av att bättre förstå beläggningsmönstret i realtid under evenemang för att identifiera hur man kan minska överventilation. Den här studien är därför inriktad på en hall, A-hallen.Bland olika existerande sensorerär CO2-sensorer mycket effektiva indikatorer på beläggning i byggnader och används redan ofta i behovsstyrd ventilation (DCV). Eftersom Elmias utrymmen är betydligt större än typiska DCV-applicerade byggnader, så utforskar den första delen av studien hurCO2-sensormätningar varierar beroende på plats i en utställningshall. Från initiala resultat har CO2-sensordatan små skillnader, sannolikt baserat på olika platser där människor befann sig under evenemang. Graden av skillnad under ett flerdagarsevent mellan sensorerna varierade med så högt som 359 ppm vid högsta beläggning med medianskillnad av 70 ppm i hallen. Andra delen av studien handlade om att undersöka prediktiva möjligheter från sensordata baserat på realtidsrepresentationen av människor på mässor. Ett genomsnittligt strömmande CO2-värde för hallen användes för inmatning i en machine learning modell som representerade en mässa med jämnt fördelad beläggning. För utvecklingsändamål erhölls data från både simuleringsdata och verklig sensordata. Genom att använda Python-biblioteket River för online machine learning, använder modellen input från den oändliga strömmen av CO2-koncentration och förutspår koncentrationen en timme framåt. Detta har användbara konsekvenser för modellförutsägande kontrollereftersom det kan användas för att justera olika möjliga parametrar för HVAC en timme i förväg, till exempel under övergångar mellan perioder med besökare och perioder utan besökare under ett evenemang, när CO2-skillnaderna är som mest betydande. Framtidaanalys av data från fler händelser skulle bekräfta om flera CO2-dataströmmar skulle behövas för att representera människor i evenemang mer exakt.