Potenzialità dell’analisi dei dati energetici degli
edifici
L’approccio inverso come strumento per l’analisi e il
miglioramento della prestazione energetica
Alfonso Capozzoli, Ricercatore, Politecnico di Torino, Dipartimento Energia, gruppo di ricerca TEBE
Daniele Grassi, Borsista di ricerca, Politecnico di Torino, Dipartimento Energia
Marco Savino Piscitelli, Borsista di ricerca, Politecnico di Torino, Dipartimento Energia
INTRODUZIONE
Oggigiorno, la sempre maggiore diffusione e accessibilità dei sistemi di monitoraggio e
gestione delle prestazioni energetiche degli edifici offre l’opportunità di archiviare e
collezionare una elevata mole di dati relativi ai sistemi edificio-impianto e alle condizioni al
contorno che ne influenzano la prestazione energetica e ambientale. Ciò sta determinando una
esponenziale crescita nella dimensione e complessità dei database a disposizione che non
sempre è direttamente legata alla qualità e quantità di conoscenza estraibile dalle
informazioni in essi contenute. L’estrazione di informazioni a partire da dati collezionati,
infatti, deve essere strutturata attraverso un processo metodologico che prevede da una parte
la conoscenza fisica del sistema oggetto di indagine e dall’altra l’applicazione di metodi
analitici “intelligenti” più o meno complessi. L’esplorazione di tali dati attraverso opportune
tecniche di analisi può rivelare relazioni e dipendenze nelle dinamiche energetiche
dell’edificio durante il suo esercizio non sempre direttamente definibili e interpretabili, utili a
direzionare misure di efficienza energetica su più livelli. Il grande potenziale della conoscenza
estraibile attraverso il trattamento dei dati energetici degli edifici ha determinato
inesorabilmente l’applicazione di tecniche intelligenti di analisi dati (data mining, machine
learning) anche nel campo della fisica tecnica ambientale. La versatilità di tali tecniche,
relative ad un approccio di tipo “data-driven”, rende possibile la loro applicazione per un gran
numero di obiettivi purché l’analista sia in possesso di competenze in ambito energetico.
L’esperto di dominio infatti, si rende necessario in tutte le fasi di analisi, dalla scelta delle
variabili, dei metodi e delle metodologie, fino alla traduzione concreta delle informazioni
estratte in misure di risparmio energetico.
1 LE POTENZIALITA’ DELL’ANALISI DATI
Il processo di esplorazione e analisi dei dati energetici, consiste nell’utilizzare diverse
tecniche statistiche, di “data mining”, “machine learning” e “pattern recognition”, al fine di
estrarre informazioni, interrelazioni, associazioni da complessi database relativi ai sistemi
edificio-impianto.
Febbraio – 2016
1
Figura 1 – Differenti possibili applicazioni per l’efficienza energetica negli edifici.
In Figura 1, vengono riassunte le più significative applicazioni di innovative tecniche di analisi
dati nel settore dell’energetica degli edifici:
stima o previsione dei consumi energetici di un edificio;
individuazione di benchmark energetici;
classificazione dei profili energetici di consumo;
individuazione delle anomalie del sistema edificio-impianto e diagnostica delle cause
connesse;
caratterizzazione dell’occupante e influenza del suo comportamento sulla richiesta
energetica.
Nelle sezioni successive le menzionate possibili applicazioni sono brevemente discusse con
l’obiettivo di chiarire come un processo conoscitivo, basato su un approccio “data-driven”,
attraverso l’analisi di dati energetici, costituisce oggi una importante opportunità per guidare,
direzionare e pianificare strategie di miglioramento dell’efficienza energetica degli edifici.
Febbraio – 2016
2
1.1
Stima e previsione dei consumi
Una delle applicazioni maggiormente sviluppate e applicate, è la stima e la previsione del
consumo di energia negli edifici attraverso tecniche di modellazione inversa. L’approccio
classico adottato per l’analisi energetica del sistema edificio-impianto è basato
sull’applicazione del bilancio energetico dell’edificio a partire dalla conoscenza delle proprietà
che definiscono l’involucro, l’impianto e delle condizioni al contorno (clima, utenza). Un
modello siffatto può essere più o meno complesso in funzione dell’accuratezza attesa dai
risultati, del regime utilizzato (stazionario, quasi stazionario o dinamico) e del passo
temporale adottato per la simulazione. Per un’analisi dettagliata l’approccio diretto richiede
una conoscenza molto particolareggiata della modalità di gestione dell’edificio e di tutti i
fenomeni fisici che influenzano la prestazione energetica (così come del loro peso relativo e
della loro interazione). I codici di simulazione dinamica più noti, che basano il proprio
principio di funzionamento su tale approccio sono ESP-r, BLAST, DOE-2 ed EnergyPlus. Un
approccio differente per l’analisi energetica del sistema edificio-impianto, la cui applicazione è
di più recente adozione, è basato sull’analisi inversa. In questo caso le variabili di ingresso e di
uscita sono note e l’obiettivo diventa la stima dei parametri e l’identificazione del modello
matematico che definisce il loro legame. Per mezzo dell’analisi inversa è possibile operare
diagnosi energetiche su edifici esistenti (la valutazione del modello è condotta sulla base di
dati misurati) ottenendo spesso una più accurata stima/previsione del consumo di energia
atteso per un edificio. Questa opportunità gioca un ruolo significativo nella valutazione della
prestazione di un edificio, nella sua ottimizzazione a livello gestionale, nella definizione di
eventuali strategie di “demand side management” (DSM) e analisi delle anomalie. D’altro
canto l’elevata complessità di impianti multienergia, l’eterogeneità dei carichi interni e
l’aleatorietà legata ai profili di occupazione rendono l’edificio un sistema complesso, per il
quale si rende necessaria l’acquisizione di dati legati ai fattori che direttamente o
indirettamente ne influenzano i consumi (dati climatici, parametri termo-fisici dell’edificio,
dati operazionali di impianto, dati di occupazione). Una volta collezionati i dati, attraverso
l’utilizzo di modelli inversi più o meno raffinati e/o complessi, lineari o non lineari
(regressioni lineari multiple, alberi di classificazione, reti neurali, macchine a supporto
vettoriale, etc.), è possibile effettuare analisi di previsione/stima a breve termine (su base
oraria/giornaliera), medio termine (su base settimanale/mensile) e lungo termine (su base
annuale). Le diverse categorie sono caratterizzate da differenti orizzonti temporali ai quali
sono associati per necessità dati acquisiti con una differente frequenza temporale. La
granulometria dei dati può quindi oscillare da frequenze di acquisizione che vanno dal suborario all’annuale. Poiché gli edifici stanno diventando intensivi sia dal punto di vista
energetico ma anche dal punto di vista delle informazioni che si possono raccogliere grazie ai
sistemi di monitoraggio, l’opportunità di effettuare previsioni a breve termine desta maggiore
interesse in quanto strettamente collegata alla possibilità di impostare strategie di efficienza
operazionale su base giornaliera (strategie di gestione della domanda, ottimizzazione della
produzione energetica, etc.). Inoltre la previsione energetica di picco o del profilo di carico
giornaliero attraverso modelli inversi, offre importanti opportunità di ottimizzazione
gestionale della richiesta energetica. Questa opportunità diventa fondamentale nel bilancio
Febbraio – 2016
3
energetico ed economico di un edificio, al fine di ridurre sensibilmente il costo dei sistemi in
esercizio.
1.2 Benchmarking
Il principale obiettivo delle analisi di “benchmark” è quello di individuare edifici di
riferimento (archetipi) o valori di riferimento della prestazione energetica, rispetto ai quali
valutare la divergenza del consumo di energia rispetto all’edificio o agli edifici in analisi. Data
la crescente disponibilità di dati di consumo misurati anche in riferimento ad interi parchi
edilizi (monitoraggi, diagnosi energetiche, bollette di consumo) le analisi di “benchmark”
stanno facendo affidamento sempre di più ad un approccio di tipo inverso. In generale questo
processo fornisce linee guida utili per i pianificatori energetici al fine di caratterizzare un
parco edilizio (scuole, ospedali, uffici, etc.) e individuare al suo interno edifici che richiedono
prioritari interventi di riqualificazione energetica. La scelta della strategia più adeguata per lo
sviluppo di processi di “benchmark” è sempre strettamente legata alla disponibilità e alla
qualità di informazioni a disposizione. Quando i dati disponibili sono esclusivamente
esplicativi del consumo di energia (consumo energetico totale, riscaldamento, raffrescamento,
illuminazione), note le caratteristiche geometriche degli edifici in analisi, uno dei metodi
maggiormente utilizzati per definire un valore di riferimento è quello della normalizzazione
semplice (kWh/m2, kWh/m3). La ricerca di un valore di riferimento ha come fase prodromica
l’individuazione delle caratteristiche o condizioni che potrebbero generare disomogeneità in
un gruppo di edifici e rispetto alle quali è necessario operare una normalizzazione, come ad
esempio: condizioni climatiche anomale, differenti caratteristiche dimensionali e termofisiche
dell’edificio, differenti destinazioni d’uso e differenti modalità di fruizione da parte
dell’utente. In particolare si può fare affidamento anche a modelli multi-criteria di benchmark
considerando contemporaneamente più di una variabile influenzante il consumo di energia
(regressioni lineari multiple, alberi di classificazione, reti neurali, macchine a supporto
vettoriale, alberi decisionali). Questi modelli di stima sono in grado di fornire, rispetto ad una
certa combinazione delle variabili di input, un valore di output atteso (kWh, kWh/m2,
kWh/m3, etc.), rispetto al quale confrontare il valore di consumo reale misurato dell’edificio in
analisi. In questo caso si ha a che fare con un modello di benchmark, in grado di effettuare una
stima del consumo di un edificio purché esso, rispetto alle variabili di input (e.g. dimensione,
trasmittanza, rendimento, potenza generatore), sia coerente con il campione utilizzato per
allenare il modello di stima stesso. Una volta definito il valore di consumo atteso è possibile,
ad esempio, effettuare un confronto con il valore reale, utilizzando come metrica di
efficienza/inefficienza energetica la differenza tra consumo reale e consumo stimato o il loro
rapporto (reale/stimato).
Nel caso in cui le analisi di benchmark siano incentrate su di un singolo edificio, il riferimento
della prestazione energetica è da ricercarsi internamente all’edificio stesso attraverso l’analisi
del suo consumo storico. Anche in questo caso è possibile sviluppare modelli di
previsione/stima che, allenati su dati storici, sono in grado di fornire per l’edificio il suo
consumo atteso nel tempo. In questo tipo di applicazione, il modello comunemente utilizzato
per la stima dei consumi energetici di un singolo edificio, data la sua semplicità di
elaborazione, elevata accuratezza e facile interpretabilità, è la regressione lineare multipla.
Febbraio – 2016
4
Questo modello empirico correla linearmente i consumi energetici o indicatori energetici
(variabile dipendente) con le variabili influenzanti (temperatura esterna, gradi giorno, ore di
occupazione, irradianza solare, condizioni termoigrometriche interne, etc.). In molte
applicazioni pratiche di analisi di benchmark interno, questo modello viene utilizzato per
correlare lo storico dei consumi energetici di un edificio con la sola variabile climatica
(temperatura esterna media giornaliera, media settimanale), così da ottenere la cosiddetta
“energy signature”. Questa consente di estrarre informazioni riguardo eventuali insolite
richieste energetiche da parte dell’utente (processo diagnostico), individuare eventuali
malfunzionamenti impiantistici, oppure valutare il comportamento del sistema edificioimpianto nel tempo nel caso in cui si confrontino le “energy signature” pre e post intervento di
riqualificazione.
1.3 Caratterizzazione dei profili energetici di consumo
L’analisi di profili temporali di consumo energetico degli edifici ha come scopo quello di
individuare un cosiddetto profilo di carico tipico, che sia in grado di essere rappresentativo
per destinazione d’uso, per stagione di riferimento, periodo di occupazione e per vettore
energetico, di un edificio o gruppo di edifici. Tali analisi, basate su tecniche analitiche di
classificazione automatica vedono come principali fruitori gli “energy managers”. Ad esempio
per quanto concerne le compagnie di distribuzione di energia, l’individuazione di profili di
carico tipici degli utenti consente di settare in modo automatico regole di classificazione per
nuovi clienti. Ciò può portare svariati vantaggi a livello di piano tariffario energetico
applicabile. Per un fornitore energetico, infatti, spesso la destinazione d’uso dell’utenza da
servire non è sinonimo di rappresentatività del profilo energetico. É quindi possibile per il
distributore e il consumatore adeguarsi alle attuali condizioni di liberalizzazione del mercato
energetico. Allo stesso tempo la possibilità di individuare profili di carico tipici porta con sé la
complementarità della individuazione di profili anomali. In questo tipo di applicazione
l’individuazione di anomalie non è da intendersi a scala puntuale (e.g. consumo anomalo
istantaneo) ma a livello di “trend” energetico. L’individuazione di un “trend” anomalo può
rivelarsi un utile strumento diagnostico in quanto l’assenza di anomalie istantanee non
prescinde la possibilità di registrare anomalie su basi temporali più elevate, spesso
conseguenti a comportamenti errati da parte dell’occupante.
1.4 Individuazione di anomalie energetiche e diagnostica
La diagnostica degli edifici è un processo finalizzato all’individuazione delle anomalie e alla
relativa ricerca delle cause ad esse associate. Il processo diagnostico pertanto può essere
suddiviso in due diversi livelli: quello di individuazione dell’anomalia e quello della sua
diagnostica.
Il processo consiste nell’individuazione delle dinamiche anomale che caratterizzano il sistema
edificio-impianto durante il suo esercizio. Questo scopo può essere perseguito attraverso:
comparazione della prestazione energetica o ambientale dell’edificio misurata durante
un certo periodo temporale con quella attesa/prevista relativa a un opportuno modello
previsionale di riferimento;
Febbraio – 2016
5
monitoraggio delle principali grandezze ambientali ed energetiche e applicazione di
opportune metodologie (data mining, machine learning), al fine di verificare in
continuo malfunzionamenti, anomalie e in generale prestazioni ritenute “non normali”.
Il processo di diagnostica dell’anomalia consiste nella classificazione e contestualizzazione del
guasto o inefficienza rilevata. Sulla base della conoscenza dei sistemi energetici sotto
osservazione acquisibile attraverso un confronto diretto con gli “esperti di sistema” è
possibile classificare le tipologie di inefficienze energetiche da eventuali difformità di
rilevazione o instabilità. L’ approccio per diagnosticare una grande varietà di problemi che
possono interessare l’edificio dal punto di vista energetico e per valutare i potenziali risparmi
derivanti da una loro risoluzione, si può basare sia sull’utilizzo di modelli inversi sia su metodi
grafici risultanti da opportune rappresentazioni della serie di dati. La maggior parte di questi
metodi sono applicati a dati con frequenza temporale oraria o giornaliera. Ad esempio, un
processo di identificazione automatica di anomalie può essere effettuata utilizzando grafici
box-plot o algoritmi di “pattern recognition”. Quest’ultimi sono in grado di classificare
automaticamente i profili di consumo energetici degli edifici e rilevare anomalie. La fase
preliminare per analisi di questo genere prevede ad esempio la classificazione dei dati prima
del rilevamento dei valori anomali basata sull’individuazione di giorni tipo (profilo giornaliero
di carico tipologico per forma e intensità). Si stabilisce quindi se il consumo energetico
misurato è significativamente diverso dal consumo energetico del giorno di riferimento
attraverso un metodo di individuazione dei valori statisticamente anomali.
1.5 Comportamento dell’occupante
Rispetto alla gestione dell’occupante l’approccio “data-driven” permette di estrarre
importanti informazioni riguardo gli schemi reali comportamentali che possono
caratterizzare un edificio dal punto di vista energetico. Il comportamento dell’occupante è una
delle variabili più aleatorie che influenza il consumo energetico e riuscirne a gestire gli aspetti
può implicare ampi margini di risparmio. Algoritmi di classificazione, “clustering” o regole di
associazione possono essere particolarmente utili a individuare e comprendere schemi
occupazionali caratteristici in modo da ottimizzare dal punto di vista gestionale la prestazione
energetica dell’edificio. Ad esempio in edifici per uffici per i quali l’occupante non sia vincolato
ad una postazione di lavoro fissa è possibile applicare strategie di riempimento dei locali
lavorativi in modo tale che i lavoratori con profili di occupazione simili lavorino nelle stesse
zone termiche. Questo omogeneizzerebbe per ogni singola zona controllata riempimento e
svuotamento della stessa con un conseguente controllo dell’impianto più adeguato. Ad
applicazioni di questo tipo si affianca inoltre l’opportunità di sfruttare queste informazioni
anche in caso di approccio diretto di modellazione energetica dell’edificio. I profili
occupazionali associati ad una comprensione del comportamento e all’interazione degli
occupanti con le variabili al contorno, in condizioni reali e non standard, consentono di
stimare meglio l’influenza dell’occupante sul consumo di energia dell’edificio. L’uso di
tecniche di “data mining” e “machine learning” rendono possibile l’estrazione di informazioni,
ad esempio, relative all’apertura e chiusura finestre o di utilizzo di specifici dispositivi elettrici
(e.g. lavatrice) in funzione di condizioni al contorno di tipo fisico, sociologiche, psicologiche,
fisiologiche e sociali. Comprendere le interconnessioni tra occupante e consumo dell’edificio
Febbraio – 2016
6
resta il modo più efficace per sormontare e interpretare il divario tra consumi di energia
misurati e consumi calcolati.
CONCLUSIONI
Nel presente articolo sono state brevemente evidenziate le potenzialità applicative connesse
all’utilizzo di strumenti analitici per l’elaborazione dei dati associati all’efficienza energetica
degli edifici. L’opportunità che l’approccio inverso oggi offre nell’energetica edilizia è tanto
più importante se si pensa che la disponibilità di dati e informazioni relativi alla prestazione
energetica dei sistemi edificio–impianto è sempre maggiore, cosi come l’utilizzo di sistemi di
automazione e gestione energetica. L’estrazione della conoscenza a partire da dati collezionati
diventa possibile attraverso un processo metodologico che presuppone la conoscenza della
fisica delle dinamiche energetiche oggetto di indagine. Questa conoscenza è necessaria sia per
la scelta degli strumenti analitici da utilizzare, sia per la corretta interpretazione dei risultati
delle analisi e alla loro traduzione in azioni pratiche finalizzate all’incremento dell’efficienza
energetica. Un sistema (edificio, quartiere, città) diventa “smart” proprio attraverso “il dato
misurato”, che può assumere valore economico, sociale e ambientale soltanto attraverso la
sua opportuna elaborazione e conseguente interpretazione.
BIBLIOGRAFIA
Yu Z, Fung BCM, Haghighat F. Extracting knowledge from building-related data - A data
mining framework. Building Simulation 2013;6:207–22.
Zhao HX, Magoulès F. A review on the prediction of building energy consumption.
Renewable and Sustainable Energy Reviews 2012;16(6):3586–92.
Capozzoli A, Grassi D, Causone F. Estimation models of heating energy consumption in
schools for local authorities planning. Energy and Buildings 2015;105:302–13.
Fan C, Xiao F, Wang S. Development of prediction models for next-day building energy
consumption and peak power demand using data mining techniques. Applied Energy
2014;127:1–10.
Ramos S, Duarte JM, Duarte FJ, Vale Z. A data-mining-based methodology to support
MV electricity customers’ characterization. Energy and Buildings 2015;91:16–25.
Miller C, Nagy Z, Schlueter A. Automation in Construction Automated daily pattern
filtering of measured building performance data. Automation in Construction
2015;49:1–17.
Capozzoli A, Lauro F, Khan I. Fault detection analysis using data mining techniques for
a cluster of smart office buildings. Expert Systems with Applications 2015;42:4324–38.
Lauro F, Moretti F, Capozzoli a., Khan I, Pizzuti S, Macas M, et al. Building Fan Coil
Electric Consumption Analysis with Fuzzy Approaches for Fault Detection and
Diagnosis. Energy Procedia 2014;62:411–20.
Chung W. Review of building energy-use performance benchmarking methodologies.
Applied Energy 2011;88(5):1470–9.
Wang E. Benchmarking whole-building energy performance with multi-criteria
technique for order preference by similarity to ideal solution using a selective
objective-weighting approach. Applied Energy 2015;146:92–103.
Capozzoli A, Piscitelli MS, Neri F, Grassi D, Serale G. A novel methodology for energy
performance benchmarking of buildings by means of Linear Mixed Effect Model: The
Febbraio – 2016
7
case of space and DHW heating of out-patient Healthcare Centres. Applied Energy
2016;171:592–607.
Yu Zhun Jerry ZJ, Haghighat F, Fung BCM, Morofsky E, Yoshino H. A methodology for
identifying and improving occupant behavior in residential buildings. Energy
2011;36(11):6596–608.
D’Oca S, Hong T. A data-mining approach to discover patterns of window opening and
closing behavior in offices. Building and Environment 2014;82:726–39.
Febbraio – 2016
8
