Development of IoT-driven Machine Learning based pipelines for predictive modelling of ramp-up and ramp-down processes in indoor environments aiming at energy efficiency enhancement

The first part of the present thesis is focused on developing machine learning (ML) models that predict the thermal behavior of indoor environments while undergoing ramp-up and ramp-down processes, which are utilized for empowering the implementation of energy saving strategies in a smart building (a medical center utilized as the case study). In the first step, strategies that include applying limited modifications on the setpoints of fan-coils and the operation status of the corresponding generation/distributions units have been proposed and implemented. Next, utilizing the previous step's resulting dataset, ML pipelines that estimate the duration of the ramp-up and ramp-down in each room have been implemented. The pipeline implementation and optimization include various steps including data extraction, cleaning, and feature selection. Furthermore, the pipelines are developed using both offline(batch) and sliding training window (with daily re-training) schemes and the resulting performance has been compared. The achieved results show that, in most of the pipelines, the feature selection step can notably enhance the performance of the models. Furthermore, it is demonstrated that the temperature profile of the rooms while undergoing the ramp (utilized in one of the strategies) is similar to the corresponding behavior that was observed in the (7 to 10) previous days. Accordingly, utilizing the sliding window training scheme with daily re-training (which can be implemented on the edge considering the corresponding low computational cost) leads to an increment in the performance of the model. In the second part of the thesis instead, ML-based pipelines for estimating the energy saving, which has been obtained through implementing the above-mentioned strategies, have been implemented. In this approach, for the winter season, ML-based models are first trained using the consumption data (along with the corresponding daily ambient conditions) measured during the interval in which the default (existing) operation strategy was implemented. Next, using the difference between the real consumption of the building (while implementing the strategies) and the estimation of the developed ML pipeline (that would have been required in case of using the default management approach), the obtained saving (percentage of reduction) is determined. A similar method is also utilized for projecting the achieved saving for the summer season. Finally, considering the gas and electricity prices in the Italian market, the achieved economic saving is calculated. The obtained results demonstrate that, through implementing these strategies that are further empowered by the developed ML models, a notable saving can be achieved while requiring an insignificant (hardware) investment.

La prima parte della presente tesi è incentrata sullo sviluppo di modelli di machine learning (ML) che prevedono il comportamento termico degli ambienti interni durante i processi di ramp-up e ramp-down, utilizzati per favorire l'implementazione di strategie di risparmio energetico in un edificio intelligente (un centro medico utilizzato come caso di studio). Nella prima fase, sono state proposte e implementate strategie che prevedono l'applicazione di modifiche limitate ai setpoint dei fan-coil e allo stato di funzionamento delle corrispondenti unità di generazione/distribuzione. Successivamente, utilizzando il set di dati risultante dalla fase precedente, sono state implementate pipeline ML che stimano la durata del ramp-up e del ramp-down in ogni stanza. L'implementazione e l'ottimizzazione della pipeline comprendono varie fasi, tra cui l'estrazione dei dati, la pulizia e la selezione delle caratteristiche. Inoltre, le pipeline sono state sviluppate utilizzando schemi di addestramento offline (batch) e a finestra scorrevole (con riallenamento giornaliero) e le prestazioni ottenute sono state confrontate. I risultati ottenuti mostrano che, nella maggior parte delle pipeline, la fase di selezione delle caratteristiche può migliorare notevolmente le prestazioni dei modelli. Inoltre, è dimostrato che il profilo di temperatura delle stanze durante la rampa (utilizzata in una delle strategie) è simile al comportamento corrispondente osservato nei (7-10) giorni precedenti. Di conseguenza, l'utilizzo dello schema di addestramento a finestra scorrevole con ri-addestramento giornaliero (che può essere implementato sul bordo considerando il corrispondente basso costo computazionale) porta a un incremento delle prestazioni del modello. Nella seconda parte della tesi, invece, sono state implementate pipeline basate su ML per la stima del risparmio energetico, ottenuto attraverso l'implementazione delle strategie sopra descritte. In questo approccio, per la stagione invernale, i modelli basati su ML vengono prima addestrati utilizzando i dati di consumo (insieme alle corrispondenti condizioni ambientali giornaliere) misurati durante l'intervallo in cui è stata implementata la strategia di funzionamento predefinita (esistente). Successivamente, utilizzando la differenza tra il consumo reale dell'edificio (durante l'implementazione delle strategie) e la stima della pipeline ML sviluppata (che sarebbe stata necessaria in caso di utilizzo dell'approccio di gestione predefinito), si determina il risparmio ottenuto (percentuale di riduzione). Un metodo simile viene utilizzato anche per proiettare il risparmio ottenuto per la stagione estiva. Infine, considerando i prezzi del gas e dell'elettricità nel mercato italiano, si calcola il risparmio economico ottenuto. I risultati ottenuti dimostrano che, attraverso l'implementazione di queste strategie, ulteriormente potenziate dai modelli ML sviluppati, è possibile ottenere un notevole risparmio, pur richiedendo un investimento (hardware) non significativo.