Intervention assessment and predictive modelling of boiler's behavior in a smart building employing machine learning

In the first part of the present thesis, machine learning (ML) based pipelines are implemented and optimized to accurately assess the impact of applied interventions on the heating and cooling management strategies of a smart building while considering the impact of weather condition variations. In this context, a set of modifications on the setpoint values and schedules of the building's air-handling unit, boiler, pumps, and fan coils are first applied. For the summer season, using the data collected in the period in which the first set of interventions are applied, an ML-based pipeline is first trained, validated, and optimized. The trained optimal pipeline is then used to estimate the resulting daily electrical consumption of the mentioned modified cooling strategy in the first period (through providing the corresponding weather conditions), in which the default strategies were applied. The resulting weather-normalized energy saving is calculated by comparing the obtained estimations and the recorded actual consumption values. The impact of the second set of interventions is also estimated using a similar approach. Instead, ML-based pipelines are developed and trained for the winter season employing the previous year’s (managed using the default strategy) data. Then, the trained pipeline is utilized to determine the energy-saving achieved by applying a set of interventions at various intervals. The implemented pipelines are demonstrated to be effective and accurate tools for assessing the impact of applied interventions for both heating and cooling seasons. The second part of the thesis instead focuses on developing ML-based models for predictive modeling of the boiler's behavior and the corresponding ramp-up duration aiming to facilitate the just-in-time start-up of this unit, which extends the effectiveness of the applied interventions on the heating system. Through performing feature selection and algorithm optimization procedures on the pipeline, a promising estimation performance (resulting in an average mean absolute error of 1.4 minutes) is achieved and the complexity of the model is also reduced. Therefore, utilizing the latter developed models in the already modified boiler setpoint management strategies, further energy saving can be achieved while guaranteeing the expected supply temperature range.

Nella prima parte della presente tesi, vengono implementate e ottimizzate delle pipeline basate sul machine learning (ML) al fine di valutare accuratamente l'impatto degli interventi applicati sulle strategie di gestione del riscaldamento e del raffreddamento di un edificio intelligente, tenendo conto dell'impatto delle variazioni delle condizioni meteorologiche. In questo contesto, vengono prima applicati una serie di modifiche sui valori di setpoint e sugli orari del funzionamento dell'unità di trattamento dell'aria dell'edificio, della caldaia, delle pompe e dei fan-coil. Per la stagione estiva, utilizzando i dati raccolti nel periodo in cui viene applicato il primo set di interventi, una pipeline basata su ML viene prima addestrata, validata e ottimizzata. La pipeline ottimale addestrata viene quindi utilizzata per stimare il consumo elettrico giornaliero risultante della strategia di raffreddamento modificata menzionata, nel primo periodo (fornendo le condizioni meteorologiche corrispondenti), in cui sono state applicate le strategie predefinite. Il risparmio energetico risultante, normalizzato in base alle condizioni meteorologiche, viene calcolato confrontando le stime ottenute e i valori di consumo effettivo registrati. Anche l'impatto del secondo set di interventi viene stimato con un approccio simile. Per la stagione invernale, invece, le pipeline basate su ML sono sviluppate e addestrate utilizzando i dati dell'anno precedente (gestiti con la strategia di default). Quindi, la pipeline addestrata viene utilizzata per determinare il risparmio energetico che si ottiene applicando una serie di interventi in vari intervalli. Le pipeline implementate si dimostrano essere strumenti efficaci e accurati per la valutazione dell'impatto degli interventi applicati sia per la stagione di riscaldamento che per quella di raffreddamento. La seconda parte della tesi è invece incentrata sullo sviluppo di modelli basati su ML per la modellazione predittiva del comportamento della caldaia e della corrispondente durata del ramp-up con lo scopo di facilitare l'avvio just-in-time di questa unità, che estende l'efficacia degli interventi applicati sull'impianto di riscaldamento. Attraverso l'esecuzione di procedure di selezione dei parametri e di ottimizzazione dell'algoritmo sulla pipeline, si ottiene una promettente performance di stima (con un errore medio assoluto di 1,4 minuti) e si riduce anche la complessità del modello. Pertanto, attraverso l'utilizzo di questi ultimi modelli sviluppati nelle strategie di gestione del setpoint della caldaia già modificate, è possibile ottenere un ulteriore risparmio energetico, garantendo al contempo il range di temperatura di alimentazione previsto.