Development of smart models for building energy management

Buildings are the main source of energy consumption in urban areas, so efficient building energy management can save energy and money and improve energy efficiency without compromising occupants' comfort and performance. The capability of building energy and electricity prediction is an essential factor for efficiency initiatives. Advances in smart metering technology have paved the way for the development of sensor-based methods to predict building energy consumption. These methods apply machine learning tactics to extract the relationship between consumption and influential variables like weather data, time features, and previous consumption data. The excellent performance of data-driven models is a logical reason to surpass traditional simulation software methods like energy plus. In this study, we proposed a deep-learning method to predict the hourly electricity consumption of buildings with a high occupancy level. The initial algorithm for the treatment of time series data is a long short-term memory algorithm that is tested on a building in Girona, Spain. The HVAC system of the building is composed of fan coils and gas boilers. We expand our study by testing the dataset on artificial intelligence networks with the same architecture as the LSTM algorithm. Different standards are used for evaluation of the prediction accuracy, including mean absolute error (MAE), mean absolute percentage error (MAPE), root mean square error (RMSE), mean square error (MSE), and R squared value. The result of the study has practical application in deploying smart metering devices. In another parallel phase of our research, we investigated temperature control algorithms for monitoring the inside temperature of a specific room equipped with a fancoil. We considered balancing comfortability and reaching setpoint temperature at the most optimal time. This research is implemented in Fantini Cosmi Spa famous manufacturer of electrical and electronic systems for control and regulation purposes.

Gli edifici sono la principale fonte di consumo energetico nelle aree urbane, quindi una gestione efficiente dell'energia degli edifici può risparmiare energia e denaro e migliorare l'efficienza energetica senza compromettere il comfort e le prestazioni degli occupanti. La capacità di costruire previsioni energetiche ed elettriche è un fattore essenziale per le iniziative di efficienza. I progressi nella tecnologia dei contatori intelligenti hanno spianato la strada allo sviluppo di metodi basati su sensori per prevedere il consumo energetico degli edifici. Questi metodi applicano tattiche di apprendimento automatico per estrarre la relazione tra consumo e variabili influenti come dati meteorologici, caratteristiche temporali e dati di consumo precedenti. Le eccellenti prestazioni dei modelli basati sui dati sono una ragione logica per superare i metodi software di simulazione tradizionali come energy plus. In questo studio, abbiamo proposto un metodo di deep learning per prevedere il consumo orario di elettricità degli edifici con un alto livello di occupazione. L'algoritmo iniziale per il trattamento dei dati delle serie temporali è un algoritmo di memoria a lungo termine a breve termine che viene testato su un edificio a Girona, in Spagna. Il sistema HVAC dell'edificio è composto da ventilconvettori e caldaie a gas. Espandiamo il nostro studio testando il set di dati su reti di intelligenza artificiale con la stessa architettura dell'algoritmo LSTM. Il risultato numerico e quello comparativo indicano che la memoria a lungo termine funziona bene. Per la valutazione dell'accuratezza della previsione vengono utilizzati diversi standard, tra cui l'errore assoluto medio (MAE), l'errore percentuale assoluto medio (MAPE), l'errore quadrato medio radice (RMSE), l'errore quadrato medio (MSE) e il valore quadrato R. Il risultato dello studio ha un'applicazione pratica nell'implementazione di dispositivi di misurazione intelligenti. In un'altra fase parallela della nostra ricerca, abbiamo studiato algoritmi di controllo della temperatura per il monitoraggio della temperatura interna di una stanza specifica dotata di un ventilconvettore. Abbiamo considerato di bilanciare la comodità e raggiungere la temperatura del setpoint nel momento più ottimale. Questa ricerca è implementata in Fantini Cosmi Spa famosa produttrice di sistemi elettrici ed elettronici a fini di controllo e regolazione.