Multi-horizon indoor temperature forecasting using machine learning aiming at predictive modelling of morning ramp-up interval in commercial buildings

The present thesis aims to predict the indoor temperature of a thermal zone in a medical center located in Italy during the ramp-up interval. Ramp-up refers to the transitional phase during which the heating system increases the indoor temperature of the thermal zone from the nighttime setback temperature to the desired setpoint. In this context, the experimental data obtained from the building is first explored and the data corresponding to the ramp-up period is extracted. Followingly, a pool of features has been generated using the measured values and their lagged values to capture the thermal behavior of the thermal zone. Forecasting pipelines with multiple prediction horizons (from 5 minutes up to an hour into the ramp-up interval), while employing two state-of-the-art machine learning algorithms, are then developed and the corresèponding achieved performance is assessed. A feature selection methodology is also employed to choose the most relevant features. Results show that the Extra Trees model with selected features offers the highest performance, leading to the lowest mean absolute relative deviation. Finally, a comparison between the predicted and real measured values is carried out, which demonstrates the promising capability of the developed pipelines in recreating the ramp-up event and estimating the corresponding duration.

La presente tesi mira a prevedere la temperatura interna di una zona termica in un centro medico situato in Italia durante l'intervallo di ramp-up. Per ramp-up si intende la fase di transizione durante la quale il sistema di riscaldamento aumenta la temperatura interna della zona termica dalla temperatura di setback notturna al setpoint desiderato. In questo contesto, i dati sperimentali ottenuti dall'edificio vengono prima esplorati e vengono estratti i dati corrispondenti al periodo di ramp-up. Successivamente, è stato generato un pool di parametri utilizzando i valori misurati e i loro valori lagged per catturare il comportamento termico della zona termica. Vengono quindi sviluppate pipeline di previsione con orizzonti di previsione multipli (da 5 minuti a un'ora nell'intervallo di ramp-up), utilizzando due algoritmi di Machine Learning dello stato dell'arte, e vengono valutate le prestazioni ottenute. Viene inoltre impiegata una metodologia di selezione delle variabili per scegliere le variabili più rilevanti. I risultati mostrano che il modello Extra Trees con le variabili selezionate offre le prestazioni più elevate, portando alla deviazione relativa media assoluta più bassa. Infine, viene effettuato un confronto tra i valori previsti e quelli reali misurati, che dimostra la promettente capacità delle pipeline sviluppate di ricreare l'evento di ramp-up e di stimare la durata corrispondente.