Autore COMINOLA, ANDREA
Relatore CASTELLETTI, ANDREA FRANCESCO
Coordinatore BONARINI, ANDREA
Tutor BOLZERN, PAOLO GIUSEPPE EMILIO
Correlatore/i GIULIANI, MATTEO
Data 12-gen-2017
Titolo della tesi Modelling residential water consumers' behavior. From smart metered data to demand management
Abstract in italiano Proiezioni future mostrano che la domanda idrica nel settore residenziale è destinata ad aumentare nei prossimi decenni, sotto la pressione della crescita demografica, dell’urbanizzazione, e dei cambiamenti climatici. Da diverse esperienze progettuali e di ricerca in tutto il mondo è emerso come, al fine di soddisfare le esigenze future, strategie di gestione della domanda fondate su meccanismi tecnologici, finanziari, legislativi, educativi e di manutenzione possono essere complementari ad azioni di gestione della rete di fornitura. L’integrazione tra i due approcci può portare a significative riduzioni del consumo di acqua in conte- sto residenziale, così come ad una diminuzione dei costi per le società di servizio idrico sia nel breve che nel lungo periodo. Tuttavia, la progettazione di efficaci strategie di gestione della domanda dipende dal nostro livello di comprensione circa i comportamenti dei consumatori. Per questo motivo, al fine di esplorare come i consumatori d’acqua reagiscono a diverse strategie di gestione della domanda, e in ultimo supportare la pianificazione di queste ultime, appare necessario lo sviluppo di modelli matematici che descrivano in maniera quantitativa come la domanda idrica sia influenzata e vari in relazione a variabili esogene, caratteristiche dei consumatori e delle loro abitazioni, e azioni di gestione della domanda. A questo proposito, l’avvento dei contatori "smart" alla fine degli anni ’90 ha permesso di aumentare la frequenza di monitoraggio dei consumi d’acqua, rendendo così disponibili dati di consumo ad alta risoluzione temporale (da alcuni minuti, fino a pochi secondi) oltre che spaziale (singola abitazione). Questi dati hanno quindi favorito lo sviluppo e l’applicazione di strumenti avanzati di analisi dei dati e modelli matematici per caratterizzare in modo dettagliato i comportamenti di consumo sub-giornalieri, così come i profili di consumo dei singoli usi finali. All’interno di questo contesto, l’obiettivo principale di questa tesi è fornire un contributo allo sviluppo di tecniche di analisi dei dati e modelli matematici per estrarre informazioni circa il comportamento dei consumatori idrici domestici a partire da dati ad alta frequenza raccolti con contatori smart, così da formulare, in ultima analisi, raccomandazioni per supportare la progettazione di strategie personalizzate di gestione della domanda. In particolare, questa tesi contribuisce alla definizione ed implementazione di nuove metodologie per la profilazione, l’analisi e la modellizzazione dei consumatori di acqua ad uso residenziale, sia sulla base di soli dati ad alta risoluzione temporale e spaziale, sia accoppiando questi ultimi con dati che descrivono le caratteristiche socio-psicografiche dei consumatori a livello sia qualitativo che quantitativo. Il fulcro principale della tesi riguarda la modellizzazione e gestione della domanda idrica. In realtà, l’analisi è a più ampio spettro, in quento parallelamente viene valutata l’inter-portabilità delle metodologie sviluppate tra i settori idrico ed energetico, ovvero sono proposte anche applicazioni congiunte e integrate che considerino simultaneamente i consumi dei due settori. Il risultato iniziale di questa ricerca è la prima rassegna esaustiva degli studi inerenti la modellizzazione e gestione di domanda idrica domestica con dati ad alta e bassa risoluzione. In questa rassegna proponiamo una framework per la revisione di studi e progetti in tale settore, per poi classificarne ed analizzarne criticamente oltre 130. In secondo luogo, abbiamo sviluppato due nuovi algoritmi per il "Non-Intrusive Load Monitoring", o "disaggregazione" del consumo totale misurato nei vari utilizzi finali. Nella tesi dimostriamo come questi algoritmi siano in grado di raggiungere elevate prestazioni nella disaggregazione di dati di potenza elettrica e consumo d’acqua, sono robusti in caso di rumore sul segnale misurato, e mantengono una buona performance anche in caso di risoluzione dei dati più grossolana, oltre ad essere portabili tra i due campi di applicazione di acqua e energia. In terzo luogo, abbiamo sviluppato due innovativi strumenti di modellizzazione, rispettivamente il primo descrittivo e il secondo predittivo, per inferire le abitudini e routine di uso d’acqua dei consumatori, nonché individuarne i più rilevanti potenziali fattori causali a livello domestico. Infine, abbiamo implementato una procedura di data-mining composta da tre fasi che si occupano, rispettivamente, di riduzione della dimensionalità dei dati tramite Analisi delle Componenti Principali, segmentazione della clientela (customer segmentation), e individuazione dei principali fattori legati a particolari profili giornalieri di consumo orario di acqua e elettricità tramite tecniche di "factor mapping". Questa procedura è in grado di individuare differenze tra i vari profili di consumo in termini di orario di utilizzo di acqua e elettricità, permettendo poi di profilare i singoli utenti in maniera automatica, sulla base dei pattern di consumo stessi e di una serie di fattori psicografici e comportamentali. Tramite diverse applicazioni sperimentali dei metodi proposti, sia su dati generati sinteticamente, sia su dati monitorati in casi di studio reali in Svizzera, Australia e Stati Uniti d’America, dimostriamo come i nostri strumenti permettano un efficace utilizzo dei dati misurati tramite smart meter ai fini dello sviluppo di modelli di comportamento del consumo di acqua ed energia a scala di singola abitazione, contribuendo così alla progettazione di strategie di gestione della domanda personalizzate sulle diverse tipologie di utente.
Abstract in inglese Water demand in the residential sector is forecasted to grow in the next decades, under human population growth, urbanization, and climate change. Worldwide experiences have been proving that demand management strategies based on technological, financial, legislative, maintenance, and educational mechanisms can complement supply-side management to meet future demands, potentially leading to significant reductions in residential water consumption, as well as reducing short- and long-term utilities’ costs. Yet, the design of effective demand-side management strategies relies on our understanding of consumers’ behaviors. Therefore, models that quantitatively describe how water demand is influenced and varies in relation to exogenous uncontrolled drivers, water consumers’ and household characteristics, and demand management actions are key to explore water users’ response to alternative water demand management strategies, ultimately supporting strategic planning and policy design. On this regard, the advent of smart meters in the late 1990s made available new water consumption data at very high spatial (household) and temporal (from several minutes up to few seconds) resolution, enabling the development and application of data analytics tools and mathematical models to accurately characterize sub-daily water consumption behaviors, as well as end-use consumption profiles. The main goal of this thesis is advancing data analysis and mathematical models to extract information on water consumers’ behavior out of smart-metered data, ultimately informing and proposing recommendations to customized demand management. More specifically, in this thesis we contribute novel methodologies for profiling, analyzing, and modeling residential water consumers based on high temporal and spatial resolution data of residential water consumption, and also coupled with several qualitative and quantitative data describing consumers’ psychographic features. The main focus is on water demand modelling and management. However, in this thesis we either assess the inter-portability of the methodologies between the water and energy fields of applications, or present integrated water-energy applications. The first outcome of this research is the first published comprehensive review of more than 130 studies on high and low resolution residential water demand modelling and management, as well as the development of a common framework for the critical review of the best practices currently existing in this research field. Secondly, we developed two novel Non-Intrusive Load Monitoring algorithms demonstrated to achieve high electric power and water disaggregation performance, to be robust to signal noise and data resolution, and to be portable between the two fields of application of water and energy. Thirdly, we developed two novel descriptive and predictive modelling tools to infer water consumers’ habits and routines, as well as identify the most relevant determinants of their water consuming or saving behaviors, at the household level. Finally, we implemented a three-phase data-mining procedure composed of data dimensionality reduction, customer segmentation, and factor mapping to capture heterogeneous water-electricity consumption pro- files, highlighting differences between daily time-of-use of water and electricity, and allowing for the characterization of users based on psychographic and behavioral factors. Applications of the developed methods onto synthetic data, as well as onto real-world case studies in Switzerland, Australia, and USA, demonstrated that our tools constitute important progress for an effective and efficient exploitation of smart metering data to develop models of water-energy users’ behavior at the household scale, and advance the customization of demand-side management strategies.
Tipo di documento Tesi di dottorato
Appare nelle tipologie: Tesi di Dottorato
File allegati
File Dimensione Formato  
Cominola2016_phdDissertation.pdf

accessibile in internet per tutti a partire dal 23/12/2017

12.31 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/10589/130801