Machine learning-based estimation of air-conditioning load using historical sub-metered data: case study of a Restaurant Complex in Qatar

The current work investigates an innovative machine learning (ML)-based methodology aimed at disaggregating Air Conditioning (AC) load using hourly total energy consumption data from an Energy Monitoring System (EMS) within the context of a real-case study restaurant. The study utilizes total energy consumption measurements, disaggregated AC load, and the corresponding weather conditions over a period of three months to train the ML-based pipelines. Subsequently, the optimized pipeline is applied to estimate the AC load for the next two weeks, assuming no measurements of the disaggregated AC load are available. This would allow for the installation of AC load sensors for a limited period while replacing the trained ML pipeline afterward, leading to a reduction in monitoring system costs. The process began with feature generation to create a pool of features, followed by a feature selection methodology that would pinpoint the most influential feature. This step was demonstrated to yield improvements in accuracy, reductions in model complexity and dimensionality, as well as reductions in computational costs. The performance of various state-of-the-art machine learning algorithms was tested, and the most promising algorithm was identified. It was finally shown that an R2 score of 0.94 was obtained using the optimal set of features and the Random-Forest regression algorithm. The proposed approach minimizes data measurements, addresses user privacy concerns, and minimizes the data processing complexity compared to conventional AC load disaggregation approaches, all while maintaining good accuracy.

Il presente lavoro analizza una metodologia innovativa basata sul machine learning (ML) per disaggregare il carico dell'aria condizionata (AC) utilizzando i dati del consumo energetico totale orario di un sistema di monitoraggio dell'energia (EMS) nel contesto di un ristorante. Lo studio utilizza le misurazioni del consumo energetico totale, il carico di aria condizionata disaggregato e le corrispondenti condizioni meteorologiche per un periodo di tre mesi per addestrare le pipeline basate su ML. Successivamente, la pipeline ottimizzata viene applicata per stimare il carico di aria condizionata per le due settimane successive, supponendo che non siano disponibili misurazioni del carico di aria condizionata disaggregato. Ciò consentirebbe l'installazione di sensori di carico dell'aria condizionata per un periodo limitato e la successiva sostituzione della pipeline ML addestrata, con conseguente riduzione dei costi del sistema di monitoraggio. Il processo è iniziato con la generazione di parametri per creare un pool dei parametri, seguita da una metodologia di selezione che ha permesso di individuare i variabili più influenti. È stato dimostrato che questa fase produce miglioramenti in termini di accuratezza, riduzione della complessità e della dimensionalità del modello e riduzione dei costi computazionali. Sono state testate le prestazioni di vari algoritmi di machine learning all'avanguardia ed è stato identificato l'algoritmo più promettente. È stato infine dimostrato che un punteggio R2 di 0,94 è stato ottenuto utilizzando l'insieme ottimale dei parametri e l'algoritmo di regressione Random Forest. L'approccio proposto riduce al minimo le misurazioni dei dati, affronta i problemi di privacy degli utenti e riduce al minimo la complessità dell'elaborazione dei dati rispetto agli approcci convenzionali di disaggregazione del carico di aria condizionata, il tutto mantenendo una buona precision