Machine learning based predictive modelling and optimization of a refrigeration plant

In European Union, the building sector is one of the most energy consumer indeed it composes about 40% of the total energy demand. Because building operations account for approximately 80–90% of the total energy consumption throughout the whole building life-cycle, the saving potential derived from the optimal management of the energy vector, used by the building, is usually the largest. Energy prediction models are used as a performance evaluation engine to achive this optimization. Simplified and data-driven models are often the preferred option where pertinent information for detailed simulation are not available. In this thesis work a ML models system, based on XGBoost regressors, is built to predict the short-term (15 min ahead) cooling load demand of an hospital, along the months between 2019 July and 2019 October, and a saving solution driven by a simplified version of an MPC is used to manage the refrigerating plant serving the building in order to demostrate that this system can be a useful tool to provide a good level of energy saving. The modelling phase uses several techniques to enhance the prediction performance which consist in the model disaggragation to rapresent every part of the system at best, the feature lagging to take into account the building inertia which affets its thermal load, hyperparameters optimization and feature selection based on the variable impact on the model prediction performance. Every model has been validate with a cross-validation procedure by dividing the dataset in ten subsets and utilizing R2, MARD and MAE as evaluation metrics. Overall, the forecasting performance of the models system seams to perform well by providing a MARD of 2.27% for the cooling load prediction while the forecasting of the electric power output models on the plant side stood on the same values of the one analized in the state-of-art, confirming that the XGBoost algorithms are a valid alternative to the more classical ANN (MARD = 6.98%). The control implementation achives an energy saving of the 5.05% by proving the high potential of the application of this modelling approach to drive a more efficient management for the building energy vectors.

Dati dell’Unione Europea affermano che gli edifici concorrono ad assorbire il 40% dalla richiesta energetica su scala continentale. Nella fattispecie le operazioni che riguardano il funzionamento dell’edificio coprono l’80-90% dei consumi totali durante il suo ciclo vitale. Ne deriva che gli interventi di efficientamento, focalizzati sull’ottima gestione della produzione e del dispacciamento dei vettori energetici che servono le strutture, siano quelli in grado di raggiungere risparmi maggiori. I modelli di previsione energetica sono utilizzati come mezzi di valutazione delle performance degli edifici e guidano queste ottimizzazioni. In particolare, gli algoritmi data-driven e le formulazioni semplificate sono spesso un’opzione preferibile quando vi è una mancanza di informazioni per costruire simulazioni physic-based dettagliate. In questo lavoro di tesi è stato allestito un sistema costituito da algoritmi di machine learning, basati su regressori XGBoost, per prevedere la richiesta di energia frigorifera di breve periodo di un complesso ospedaliero, tra luglio e ottobre 2019. Successivamente, è stato implementata una strategia di controllo, basata su una versione semplificata di MPC. Questa ha l’obbiettivo di ottimizzzare la produzione di richiesta frigorifera, in base al fabbisogno dell’edificio, inoltre servive per dimostrare l’efficacia, del sistema di modelli di machine learning costruito, come strumento per guidare il risparmio energetico. La fase di modellizzazione ha raggruppato una serie di tecniche differenti per cercare di ottenere le migliori performance previsionali. Tra le altre si citano il training di modelli disaggregati per disaccoppiare gli effetti della richiesta frigorifera delle diverse sezioni dell’ospedale, il feature lagging che tiene conto dell’impatto che le inerzie termiche dell’edificio hanno sulla creazione del carico termico, l’ottimizzazione degli iperparametrielafeaturesselectionbasatasull’impattochehannolediversevaribilidi input sulla capatità previsionale. Ogni modello è stato validato tramite una procedura di cross-validation, dividendo il dataset in dieci sottointervalli. La metrica utilizzata per la valutazione è costituita da R2, MARD e MAE. É stata rilevata un’ottima capacità da parte del sistema sia di prevedere la richiesta frigorifera sul breve periodo (MARD=2.27%) sia valutare la potenza elettrica consumata dalla centrale frigo per soddisfare tale domanda (MARD = 6.98%), attestandosi su livelli comparabili con quelli dello stato dell’arte. L’implementazione del controllo ha raggiunto un saving sul periodo pari al 5.05% di energia frigo, dimostrando il grande potenziale dell’applicazione di questo approccio modellistico per la gestione dei vettori energetici che servono gli edifici.