Machine learning-based modelling and real-time setpoint optimization in buildings for consumption reduction and facilitating demand flexibility

The present thesis focuses on developing machine learning (ML)-based pipelines for predictive thermal behavior modelling aimed at improving the setpoint management strategy of Heating, Ventilation, and Air Conditioning (HVAC) systems. These strategies permit achieving i) energy efficiency improvement ii) demand flexibility (which facilitates load balancing, participation in the local flexibility markets, and enhancing self-consumption from onsite photovoltaic (PV) generation). In this context, initially, a case study (a medical center), located in northern Italy, has been considered for implementing and testing ML-based pipelines and HVAC management strategies to improve energy efficiency. In the first task, ML-based pipelines are developed for estimating the ramp-up duration (the time the HVAC system needs to bring the space temperature to the desired setpoint) in different indoor spaces and an average Mean Absolute Error (MAE) of less than 5 minutes for all cases is obtained. Next, a simulation-based procedure has been utilized for proposing and demonstrating an approach for estimating the energy saving that can be achieved using the above-mentioned methodology (for the case study of a conditioned warehouse), before the corresponding experimental deployment. ML models were initially developed, and their simulated deployment demonstrated an energy savings of approximately 10%. To improve the resilience of the implemented methodology, an additional task focused on handling short-term data logging failure has also been implemented. Therefore, an ML-based approach is proposed and investigated to reconstruct missing sensor data in the event of a complete recording failure (lasting up to one hour) under two distinct scenarios. In the next phase, interventions on HVAC setpoints, which permit demand flexibility, are simulated for different categories of commercial buildings. Firstly, the corresponding impact of employing different machine learning (ML) algorithms, with sliding-window and offline training schemes, for hour-ahead baseline load prediction has been investigated and compared to assess the impact of the performance of baseline load prediction pipelines on the estimation (by the grid operator) accuracy of the flexibility offered by different categories of buildings. Employing these pipelines permits estimating the provided flexibility with acceptable accuracy (flexibility index's mean relative error between -2.45% to +2.79%). Next, The duration of the flexibility events, enabled through the cooling system's setpoint adjustments, is predicted using ML-based prediction pipelines with an average mean absolute percentage error of 6.75%. Next, the flexible load of the buildings, while undergoing the latter interventions is predicted (five subsequent hourly energy consumption values an hour before the setpoint adjustments) providing time to plan participation in demand response programs or prepare for charging electric vehicles. Lastly, a novel methodology is proposed to predict the available HVAC-driven flexibility (the difference between the forecasted flexible load and the predicted baseline) and to evaluate the corresponding performance, while considering flexibility market-aware scenarios. Additionally, to account for the combined impact of the predicted baseline and flexible load profiles, a monetary-based KPI is proposed to evaluate the joint impact of the prediction pipelines on the resulting economic compensation received from the flexibility market. These pipelines facilitate participation in the local flexibility markets by improving bidding performance. This task considered case studies in Norway, where the heating process is highly electrified and local flexibility markets are already in operation.

La presente tesi si concentra sullo sviluppo di pipeline basate sul machine learning (ML) per la modellazione predittiva del comportamento termico, finalizzate a migliorare la strategia di gestione dei setpoint dei sistemi di Riscaldamento, Ventilazione e Condizionamento dell'Aria (HVAC). Queste strategie consentono di ottenere: i) un miglioramento dell'efficienza energetica; ii) flessibilità della domanda, facilitando il bilanciamento del carico, la partecipazione ai mercati locali della flessibilità e l'aumento dell'autoconsumo da impianti fotovoltaici (PV) onsite. In questo contesto, inizialmente è stato considerato un caso di studio (un centro medico situato nel nord Italia) per implementare e testare le pipeline basate su ML e le strategie di gestione HVAC volte a migliorare l'efficienza energetica. Nella prima fase, sono state sviluppate pipeline ML per stimare la durata del ramp-up (il tempo necessario affinché il sistema HVAC porti la temperatura dell'ambiente al setpoint desiderato) in diversi spazi interni, ottenendo un Errore Medio Assoluto (MAE) medio inferiore a 5 minuti in tutti i casi. Successivamente, è stata utilizzata una procedura basata su simulazione per proporre e dimostrare un approccio volto a stimare il risparmio energetico ottenibile con la metodologia sopra descritta (per il caso studio di un magazzino climatizzato), prima della corrispondente implementazione sperimentale. Inizialmente sono stati sviluppati modelli ML, il cui utilizzo in simulazione ha dimostrato un risparmio energetico di circa il 10%. Per migliorare la resilienza della metodologia implementata, è stato affrontato un ulteriore compito relativo alla gestione dei guasti a breve termine nella registrazione dei dati. A tal fine, è stato proposto e analizzato un approccio basato su ML per la ricostruzione dei dati mancanti dei sensori in caso di interruzione completa della registrazione (fino a un'ora), considerando due scenari distinti. Nella fase successiva, sono state simulate le modifiche ai setpoint HVAC, che consentono la flessibilità della domanda, per diverse categorie di edifici commerciali. In primo luogo, è stato analizzato e confrontato l'impatto derivante dall'utilizzo di diversi algoritmi di machine learning (ML), con schemi di addestramento sliding-window e offline, per la previsione del carico di base con un'ora di anticipo, al fine di valutare come la precisione delle pipeline di previsione influisca sull'accuratezza della stima (da parte dell'operatore di rete) della flessibilità offerta dalle diverse categorie di edifici. L'impiego di queste pipeline consente di stimare la flessibilità disponibile con un'accuratezza accettabile (errore relativo medio dell'indice di flessibilità compreso tra -2,45% e +2,79%). Successivamente, la durata degli eventi di flessibilità, abilitati tramite la regolazione dei setpoint del sistema di raffrescamento, è stata prevista utilizzando pipeline predittive basate su ML, ottenendo un errore medio percentuale assoluto del 6,75%. In seguito, il carico flessibile degli edifici durante tali interventi è stato previsto (cinque valori orari consecutivi di consumo energetico un'ora prima della regolazione dei setpoint), offrendo il tempo necessario per pianificare la partecipazione ai programmi di demand response o per prepararsi alla ricarica dei veicoli elettrici. Infine, è stata proposta una metodologia innovativa per prevedere la flessibilità disponibile guidata dall'HVAC (la differenza tra il carico flessibile previsto e il carico di base stimato) e per valutarne le prestazioni corrispondenti, considerando scenari consapevoli del mercato della flessibilità. Inoltre, per tenere conto dell'impatto combinato delle previsioni del carico di base e del carico flessibile, è stato proposto un indicatore chiave di prestazione (KPI) basato su criteri economici per valutare l'effetto congiunto delle pipeline predittive sul compenso economico derivante dalla partecipazione ai mercati della flessibilità. Queste pipeline facilitano la partecipazione ai mercati locali della flessibilità, migliorando le prestazioni nelle offerte. Questo compito ha considerato casi di studio in Norvegia, dove il processo di riscaldamento è altamente elettrificato e i mercati locali della flessibilità sono già operativi.