Optimization of machine learning based pipelines for weather-normalized intervention assessment and ramp-up time estimation in a smart building system

In the present thesis, a medical center's building equipped with a monitored HVAC system is considered as the case study. A set of interventions, mainly including modifications on the setpoint management strategy of the floor heating system and the fan-coil units of the building, have been proposed and implemented. Next, in order to assess the resulting energy saving of these interventions while normalizing the impact of ambient conditions, a set of machine learning (ML) based pipelines are implemented. In this procedure, an ML-based pipeline is first trained, validated, and optimized using the data obtained from a period corresponding to the default (without intervention) schedule of the plant's operation. The trained pipeline is then utilized to estimate the potential gas consumption of the system (in case of imposing the default schedules) in the second period (in which the first intervention is performed), while being provided with the corresponding weather conditions. Through comparing these estimations with the corresponding actual gas consumption values, the resulting weather-normalized energy saving is determined. A similar procedure is also performed to estimate the impact of the second set of interventions. In the second part of the thesis, ML-based pipelines are implemented for several different spaces in the building, aiming at estimating the ramp-up duration (the time it takes the fan-coil to increase the temperature of the space up to the desired setpoint). These pipelines are provided with the time-series indoor and outdoor data being the inputs, as these parameters represent the thermal behavior of the space, the influence of the fan-coil unit, and the rate of the thermal losses to the environment. The implemented pipelines are finally optimized by performing the feature selection and the algorithm optimization procedures to maximize the achieved accuracy. The obtained results of the first pipelines demonstrate that performing the mentioned interventions has resulted in a notable energy saving while demanding a negligible investment (a few sensors and devices with a low price). Furthermore, it is shown that these interventions do not lead to any negative impact on the thermal comfort of the occupants. The achieved results of the second part of the thesis instead demonstrate that the implemented ML bases pipelines are able to estimate the ramp-up duration in different spaces with acceptable accuracy, while the corresponding values variate notably as a function of indoor and outdoor conditions. These pipelines facilitate turning the fan-coil of each area on at the optimal timestamp and evade keeping the spaces warmed up while the occupants are not still present. Accordingly, through deploying these optimized pipelines in the next heating season, the achieved energy saving can be further increased.

Nella presente tesi, un edificio di un centro medico dotato di un sistema HVAC monitorato è considerato come caso di studio. Una serie di interventi, che includono principalmente modifiche alla strategia di gestione del setpoint del sistema di riscaldamento a pavimento e delle unità fan-coil dell'edificio, sono stati proposti e implementati. Successivamente, al fine di valutare il risparmio energetico risultante da questi interventi, normalizzando l'impatto delle condizioni ambientali, sono state implementate una serie di pipeline basate sul Machine Learning (ML). In questa procedura, una pipeline basata su ML viene prima addestrata, convalidata e ottimizzata utilizzando i dati ottenuti da un periodo corrispondente al programma di default (senza interventi) del funzionamento dell'impianto. La pipeline addestrata viene poi utilizzata per stimare il consumo potenziale di gas dell'impianto (nel caso in cui si impongano i programmi di default) nel secondo periodo (in cui viene effettuato il primo intervento), mentre vengono fornite le condizioni meteorologiche corrispondenti. Confrontando queste stime con i corrispondenti valori di consumo effettivo di gas, si determina il risparmio energetico normalizzato in base alle condizioni meteorologiche. Una procedura simile viene eseguita anche per stimare l'impatto della seconda serie di interventi. Nella seconda parte della tesi, vengono implementate delle pipeline basate su ML per diversi spazi dell'edificio, con l'obiettivo di stimare la durata del ramp-up (il tempo necessario al fan-coil per aumentare la temperatura dello spazio fino al setpoint desiderato). Queste pipeline sono fornite con i dati interni ed esterni in serie temporali come input, poiché questi parametri rappresentano il comportamento termico dello spazio, l'influenza dell'unità fan-coil e il tasso delle perdite termiche nell'ambiente. Le pipeline implementate sono infine ottimizzate eseguendo la selezione dei parametri e le procedure di ottimizzazione dell'algoritmo per massimizzare l'accuratezza raggiunta. I risultati ottenuti dalle prime pipeline dimostrano che l'esecuzione degli interventi menzionati ha portato ad un notevole risparmio energetico pur richiedendo un investimento trascurabile (pochi sensori e dispositivi a basso prezzo). Inoltre, si dimostra che questi interventi non portano ad alcun impatto negativo sul comfort termico degli occupanti. I risultati ottenuti nella seconda parte della tesi dimostrano invece che le pipeline implementate sono in grado di stimare la durata del ramp-up in diversi spazi con una precisione accettabile, mentre i valori corrispondenti variano notevolmente in funzione delle condizioni interne ed esterne. Queste pipeline facilitano l'accensione del fan-coil di ogni area al momento ottimale ed evitano di mantenere gli spazi riscaldati mentre gli occupanti non sono ancora presenti. Di conseguenza, attraverso l'implementazione di queste pipeline ottimizzate nella prossima stagione di riscaldamento, il risparmio energetico ottenuto può essere ulteriormente aumentato.