Digital twin application in building energy management system: estimating generation side ramp-up duration for cooling season using machine learning

Energy management in buildings is critical for sustainability and operational efficiency. This thesis investigates the integration of Digital Twin technology with machine learning to enhance the management of building energy systems, particularly focusing on the ramp-up duration of cooling systems during the summer season. Digital Twins, which are virtual replicas of physical systems, allow for real-time monitoring and predictive maintenance. This study shows that by using historical data and various machine learning algorithms, including Random Forests, XGBoost, ETR, and Support Vector Machines, it is possible to accurately predict the cooling ramp-up duration. The methodology is implemented using Python, demonstrating a significant improvement in energy usage efficiency and cost reductions. The study presents a detailed case analysis of a commercial building in Milan, Italy, showcasing the practical benefits and enhanced accuracy of the predictive models developed. The main result reveals that integrating Digital Twin technology with machine learning significantly enhances the predictive accuracy and operational efficiency of building cooling systems. Previously, Building Management Systems relied heavily on reactive maintenance and less precise prediction methods. Our findings provide a more proactive approach, ensuring better resource management and energy savings. These results are contextualized within the broader framework of smart building technologies and sustainable urban development. The successful implementation of the proposed system in a real-world scenario underlines its scalability and adaptability to different building types and climatic conditions. Future research should explore the application of Digital Twin technology to other aspects of building energy management, such as heating and renewable energy integration, leveraging advancements in IoT, AI, and big data analytics to further enhance system performance and sustainability.

La gestione energetica negli edifici è fondamentale per la sostenibilità e l'efficienza operativa. Questa tesi esamina l'integrazione della tecnologia Digital Twin con l'apprendimento automatico per migliorare la gestione dei sistemi energetici degli edifici, concentrandosi in particolare sulla durata di avvio dei sistemi di raffreddamento durante la stagione estiva. I Digital Twin, che sono repliche virtuali di sistemi fisici, consentono il monitoraggio in tempo reale e la manutenzione predittiva. Qui mostriamo che utilizzando dati storici e vari algoritmi di apprendimento automatico, tra cui Random Forests, XGBoost, ETR, e Support Vector Machines, è possibile prevedere con precisione la durata di avvio del raffreddamento. La metodologia è implementata utilizzando Python, dimostrando un significativo miglioramento nell'efficienza dell'uso dell'energia e nella riduzione dei costi. Lo studio presenta un'analisi dettagliata del caso di un edificio commerciale a Milano, Italia, che mostra i vantaggi pratici e la maggiore accuratezza dei modelli predittivi sviluppati. Il risultato principale rivela che l'integrazione della tecnologia Digital Twin con l'apprendimento automatico migliora significativamente l'accuratezza predittiva e l'efficienza operativa dei sistemi di raffreddamento degli edifici. In precedenza, i sistemi di gestione degli edifici si basavano molto sulla manutenzione reattiva e su metodi di previsione meno precisi. I nostri risultati forniscono un approccio più proattivo, garantendo una migliore gestione delle risorse e risparmi energetici. Questi risultati sono contestualizzati nel quadro più ampio delle tecnologie di smart building e dello sviluppo urbano sostenibile. L'implementazione di successo del sistema proposto in uno scenario reale sottolinea la sua scalabilità e adattabilità a diversi tipi di edifici e condizioni climatiche. La ricerca futura dovrebbe esplorare l'applicazione della tecnologia Digital Twin ad altri aspetti della gestione energetica degli edifici, come il riscaldamento e l'integrazione delle energie rinnovabili, sfruttando i progressi in IoT, AI e analisi dei big data per migliorare ulteriormente le prestazioni e la sostenibilità del sistema.