A data-driven approach to determine input schedules for energy simulation of residential buildings

Ensuring that the energy need predicted by energy modelling corresponds to the actual energy need, will be strictly important in the close future with the increase in the number of low-energy buildings and retrofitting projects and with the refining of regulations. Occupant behaviour is indicated as one of the biggest uncertainties in energy modelling. Thus, an improvement in the description of the occupant behaviour is needed. This thesis discusses one of the possible methods to analyse the monitored data and to apply a deduction approach to improve the energy model from the point of view of the occupant behaviour. A comprehensive data-driven approach for the assessment of the impact of occupant behaviour on the energy need is proposed. The presented methods are applied and validated through a case study regarding a residential building block in Milan, Italy. In the first phase, a clustering methodology for creating five representative electricity daily load profiles is proposed. The implementation of machine learning techniques emerged from literature as the appropriate tool for the task. A two-level approach is used composed by a Self-Organizing Map, a Neural Network technique, coupled with the k-means algorithm, a classic machine learning method. The k-Nearest Neighbour algorithm is implemented to extend the results to the whole year. In the second phase, a detection method is proposed to estimate the presence of occupants in the household. The technique is based on the analysis of the electricity consumption data to detect the occupancy through the exploitation of the k-Nearest Neighbour algorithm. The extension to the whole year relies on the clustering obtained in the previous task. The resulted presences and electric load clusters emerged with different daily profiles, that can be ascribed to different types of families and habits. Highlighting three scenarios of energy spenders: energy-aware user, standard user and energy-intensive user. In the last phase, the schedules generated in the previous steps are used to assess the impact of the occupant behaviour on the heating energy need during a year and the modelled result is compared with the real registered data.

Garantire che il fabbisogno di un edificio, risultante da una simulazione energetica, coincida con l’effettivo consumo assumerà importanza nel prossimo futuro con l’aumento del numero di edifici ad alta efficienza, riqualificazioni edilizie e con l’affinamento delle regolamentazioni. Il comportamento degli occupanti è indicato come una delle incertezze maggiori nelle simulazioni energetiche e rende necessario un miglioramento della descrizione degli utenti. Questa tesi tratta di un possibile metodo di analisi di dati elettrici monitorati, a cui applicare un approccio deduttivo per la descrizione dell’utente nelle simulazioni energetiche. Viene proposta una metodologia comprensiva che permette di studiare l’impatto degli occupanti sul consumo energetico di riscaldamento. Il caso di studio è un edificio residenziale nel contesto della città di Milano. Nella prima fase, viene implementato un metodo di clustering per creare cinque profili giornalieri di consumo elettrico. L’utilizzo di tecniche di apprendimento automatico è emerso dalla letteratura come valido approccio per la peculiare natura dei dati. In particolare, è stato utilizzato un metodo a due livelli: una mappa di Kohone, una tecnica facente parte delle reti neurali artificiali, accoppiata con un metodo classico dell’apprendimento automatico, l’algoritmo k-means. Ogni cluster è caratterizzato da tre diversi scenari: utente attento all'energia, utente standard e utente ad alta intensità di energia. Inoltre, l’algoritmo k-Nearest Neighbours viene utilizzato come metodo di classificazione per distribuire il risultato al tutto l’anno della simulazione. Nella seconda fase, viene proposto un metodo di rilevamento per stimare la presenza degli occupanti partendo dalla registrazione del consumo elettrico. La tecnica utilizzata, anche in questo caso, è l’algoritmo k-Nearest Neighbours e l’estensione all’intero anno è svolta sulla base dei cluster emersi nella fase precedente. Dalle analisi si sono distinti cinque differenti profili giornalieri di consumo elettrico e presenza, attribuibili ad altrettante tipologie di famiglie e abitudini. Nell’ultima fase, queste schedule sono utilizzate per valutarne l’impatto sul consumo energetico per riscaldamento dell’edificio preso in esame. Come validazione finale il risultato modellato viene confrontato con il dato registrato del relativo anno.