Machine learning based consumption prediction and hourly optimization of heating system for a hospital complex

The present thesis is focused on proposing and implementing data-driven methodologies for improving the performance of the heating system of a hospital complex along with accelerating the auditing procedure for medical buildings. The project has been carried out in collaboration with Siram by Veolia SpA which acts as the energy management firm of the considered hospital complex. Accordingly, in the first part of this work, a methodology for reducing the consumption of the district heating system, which addresses the heating demand of hospitals' buildings, is proposed and implemented. For this purpose a Machine Learning based procedure is developed, in order to predict the thermal energy consumption of each building in the next hour. Subsequently, the forecasted consumptions, estimated in the previous step, are provided as inputs to the data-driven models that are developed for the heat exchangers of each building. The developed models, which can estimate the return temperature of primary water leaving each building, provide the possibility of optimizing the supply temperature of the hot water at each hour. The optimization procedure is performed with the aim of keeping the overall return temperature of the heating system at an optimal value. By implementing this proposed methodology, supplying hot water at higher temperature, than what is needed, is evaded. The latter results in a notable decrement in the thermal losses, which occur in the hot water's distribution systems, considering the fact of supply hot water temperature is currently modified in a manual manner. The second part of the work is instead dedicated to accelerating the auditing process and reducing its costs, by developing a procedure for estimating the energy performance index and the average global heat transfer coefficient of the buildings utilizing the measured consumption of individual buildings and the data obtained by the company through the auditing procedure. Feature generation procedures, recommended in the literature, are applied on the historical measured consumption and historical climatic condition information. Afterwards, machine learning algorithms are trained being given the generated features as inputs and the results of previous auditing procedure as outputs. These trained models, accuracies of which are evaluated in a cross validation procedure, can next be employed to estimate the results of auditing for other buildings being provided only the measured data. Furthermore, to facilitate the estimation of the overall energy performance index, a machine learning procedure is also implemented to predict the overall yearly energy consumption of the building being given only the measured values for a couple of months. Therefore, the implementations that are proposed and developed in the second part help the industrial partner to accelerate the auditing procedure for the next similar cases.

La presente tesi è incentrata sulla proposta e sull'implementazione di metodologie data-driven per migliorare le prestazioni del sistema di riscaldamento di un complesso ospedaliero, oltre ad accelerare la procedura di diagnosi energetica per gli edifici ospedalieri. Il progetto è stato realizzato in collaborazione con Siram by Veolia SpA, la quale funge da società di gestione energetica del compesso considerato. Nella prima parte del progetto è stata sviluppata e applicata una metodologia per ridurre i consumi termici degli edifici del complesso ospedaliero, che sono garantiti tramite un sistema di teleriscaldamento attraverso scambiatori di calore. In quest'ottica è stato creato un modello di Machine Learning per predire la richiesta termica dell'ora successiva, di ciascun edificio. I consumi previsti sono poi stati implementati in modelli data-driven, elaborati per ciascun scambiatore di calore, per poter ottimizzare ogni ora la temperatura di mandata dell'acqua calda. La procedura di ottimizzazione è sviluppata con l'obiettivo di mantenere la temperatura di ritorno dell'acqua nel sistema di riscaldamento pari ad un valore ottimale. Implementando questa procedura è possibile evitare di fornire l'acqua a temperature più elevate, di quanto sia effettivamente necessario. Il risultato è una notevole riduzione delle dispersioni termiche nel circuito di distribuzione. Attualmente la temperatura di mandata dell'acqua calda è modificata manualmente, da operatori in loco, quindi l'approccio precedentemente spiegato può portare a notevoli risparmi nei consumi termici del complesso ospedaliero. La seconda parte del lavoro è invece dedicata ad agevolare e ridurre i costi del processo di diagnosi energetica, sviluppando una procedura per stimare l'indice di prestazione energetica (Energy Performance Index - EPI) e la trasmittanza termica media globale degli edifici, utilizzando i consumi rilevati di ciascun stabile e i dati ottenuti dall'azienda attraverso le precedenti diagnosi energetiche. Un processo di estrazione delle caratteristiche dei dati disponibili sui consumi storici e sulle condizioni meteo del luogo, è stato implementato prendendo spunto dalla letteratura. Queste caratteristiche sono state usate come valori in ingresso agli algoritmi di Machine Learning, insieme ai risultati delle precedenti diagnosi energetiche, i quali una volta allenati gli algoritmi corrispondono ai valori ricercati. I modelli allenati e convalidati sui dati di ingresso, possono poi essere utilizzati per stimare i risultati delle diagnosi energetiche per altri edifici, avendo a disposizione i consumi rilevati. Inoltre un altro modello di Machine Learning è stato sviluppato per facilitare la stima dell'indice di prestazione energetica, conoscendo solamente i consumi di due mesi. Concludendo le implementazioni proposte e sviluppate nella seconda parte di tesi sono d'aiuto all'azienda per accelerare le diagnosi energetiche in altri casi simili.