Analisi di attestati di prestazione energetica di edifici attraverso processi di intelligenza artificiale = Analysis of Energy Performance Certificates of buildings through artificial intelligence processes

Analisi di attestati di prestazione energetica di edifici attraverso processi di intelligenza artificiale Gli Attestati di Prestazione Energetica (APE) sono un importante strumento perla valutazione e il miglioramento dell’efficienza energetica negli edifici. Per tale motivo la stima del fabbisogno energetico di un edificio ricopre un ruolo fondamentale per i professionisti del settore che vogliono, ad esempio, confrontare le prestazioni di un gruppo di edifici o redigere un progetto di riqualificazione energetica, ancor più se ciò avviene in modo veloce, affidabile e scalabile su più configurazioni diverse. Questo lavoro di tesi propone diverse metodologie data-driven per la valutazione dell’Indice di prestazione energetica non rinnovabile di un edificio (EPglo,nren), sviluppate su un database di circa 50000 APE relativi alla Regione Piemonte, che possono avere finalità di verifica del lavoro di redazione svolto o di rapido calcolo dell’andamento energetico dell’immobile. L’idea alla base è quella di avere la possibilità di confrontare l’edificio in esame con la molteplicità di immobili simili le cui informazioni sono catalogate nei certificati di prestazione, mettendo a disposizione una baseline di riferimento con la quale paragonare il livello di efficienza energetica. Algoritmi non supervisionati di clustering sono stati utilizzati per rilevare gli edifici di riferimento all’interno del database, i quali presentavano attributi caratteristici rappresentativi di un determinato gruppo di fabbricati. In seguito, si è proseguito con l’utilizzo di modelli di regressione, per stimare il valore degli indici di consumo identificanti le prestazioni energetiche di un immobile, sfruttando degli attributi di input specifici precedentemente filtrati e selezionati. Sei algoritmi di machine learning (KNN, Regression Tree, Random Forest, Boosting, BART and Artificial Neural Networks) sono stati utilizzati e comparati, al fine di ottenere la predizione con il minore tasso di errore. Ai modelli di predizione black-box, sono state applicate le metodologie di eXplainable Artificial Intelligence (XAI)al fine di rendere maggiormente interpretabili i risultati prodotti. Comprendere le motivazioni dietro la formulazione del risultato fornito dal modello, diventa di cruciale importanza qualora si investa su tali risultati effettuando opere di ristrutturazione o di nuova costruzione. L’obiettivo della tesi è dunque quello di far emergere il potenziale degli attestati di prestazione energetica, sfruttando la loro finalità di raccolta e catalogazione delle informazioni del parco edilizio italiano al fine di: stimare i consumi futuri di un edificio; generare una linea guida di riferimento attraverso la quale confrontare le prestazioni di un edificio esistente o di nuova costruzione; fornire una base statistica di supporto alla compilazione del certificato; far emergere diverse possibilità di riqualificazione per un edificio esistente.