Analisi dei dati di consumo energetico dell'Energy Center attraverso l'utilizzo di tecniche di data analytics = Energy consumption data analysis of the building ‘Energy Center’ of Turin by using data analytics techniques

Gli edifici ricoprono un ruolo centrale nella lotta al cambiamento climatico, numerose, a tal proposito, sono state le direttive e i bonus promossi dall’UE negli ultimi anni, che ha fissato entro il 2050 l’obiettivo della decarbonizzazione. Tra i consumi imputati di maggior rilievo occupa sicuramente grande spazio la climatizzazione degli ambienti interni. L’obiettivo dell’elaborato di tesi è l’analisi dei consumi energetici, in particolare della potenza di raffrescamento, erogata dal gruppo polivalente dell’Energy Center di Torino, edificio adibito ad uso uffici e situato nel campus del Politecnico di Torino. L’analisi energetica sui dati di monitoraggio ha previsto una fase iniziale di pulizia del dataset al quale sono state successivamente applicate alcune delle tecniche di data analytics per estrapolare informazioni utili a promuovere azioni di efficientamento energetico. Sono state utilizzate sia tecniche non supervisionate tra cui la cluster analysis, utile alla ricerca di profili di potenza tipologici, e sia tecniche supervisionate col fine di creare modelli di predizione di benchmark, che permette di stimare come dovrebbe consumare l’edificio, e di forecast, che permette di predire il consumo dell’edificio nelle ore successive. Dalle analisi è stata rilevata la presenza di profili con picchi di potenza di circa 400 [kW], registrati durante la fase di accensione, identificati attraverso la cluster analysis, utilizzata in seguito come punto di partenza per dimostrare la maggior accuratezza di previsione dei dataset composti da profili simili rispetto ai dataset tradizionali. Tale studio è stato effettuato tramite il modello ANN (Artificial Neural Network) il cui confronto dei risultati, attraverso l’utilizzo dei KPIs (Key Performance Indicators), ha permesso di rilevare una precisione di stima maggiore del dataset suddiviso a seconda dei profili tipologici che presenta valori del MSE (Mean Squared Error) minori di circa il 45% e del MAE (Mean Absolute Error) minori di circa il 25% rispetto al dataset completo.