Analysis of transfer learning frameworks for thermal dynamics prediction to support the predictive management in buildings

I crescenti consumi energetici sono causa di gravi conseguenze ambientali come il cambiamento climatico, l'inquinamento atmosferico, i quali hanno tutti un impatto significativo e negativo per l'umanità e la sopravvivenza dell'ecosistema. Il settore dell'edilizia rappresenta uno dei settori più energivori, che richiede ulteriori attenzioni al fine di ridurne l'impatto ambientale. Edifici efficienti e sostenibili sono diventati fondamentali per preservare l'ambiente e contribuiranno a ridurre la quantità complessiva di energia sfruttata negli edifici, poiché la loro inefficienza è uno dei principali fattori che contribuiscono al consumo globale di energia, alle emissioni di gas serra e, di conseguenza, al riscaldamento globale. Le tecniche di machine learning (ML) e le reti neurali profonde (DNN) sono ampiamente riconosciute come uno dei modi efficaci per ottenere i risultati desiderati nelle attività di predizione, che rappresentano un metodo praticabile per espandere l'uso di strategie di controllo avanzate per la gestione energetica degli edifici. Tuttavia, uno dei difetti del ML è legato alla quantità e alla qualità dei dati di apprendimento, che limitano fortemente l'applicazione di modelli basati sui dati nei sistemi energetici degli edifici. La maggior parte delle funzionalità di estrapolazione della conoscenza sono insufficienti per queste strategie, a causa della loro dipendenza da un set di dati di grandi dimensioni necessario per caratterizzare correttamente il problema. In questa prospettiva, il Transfer Learning (TL) è stato identificato come una tecnica promettente per scalare gli approcci di machine learning. In particolare, il transfer learning mira a migliorare le prestazioni di apprendimento su un target sfruttando le conoscenze in ambienti correlati. Nonostante la sua efficacia, la sua applicazione negli edifici intelligenti necessita ancora di ulteriori studi. Per superare questi limiti, la tesi propone un'indagine statistica sull'applicazione del transfer learning per prevedere l'evoluzione della temperatura dell'aria interna negli edifici. Tale tecnica può aiutare ad ampliare l'uso di modelli basati sui dati in strategie di controllo avanzate, aiutando la decarbonizzazione del settore energetico. Il caso studio è rappresentato da un edificio di medie dimensioni adibito ad uffici. Partendo da un database di circa 1500 simulazioni in EnergyPlus, confrontando una rete neurale Multilayer Perceptron (MLP) e una Long-Short Term Memory (LSTM), quest'ultima è stata utilizzata per prevedere l'evoluzione della temperatura interna di 1 ora con un intervallo di tempo di 10 minuti. L'analisi ha contribuito a quantificare gli effetti di specifiche variabili sulle prestazioni del transfer learning. In particolare, la tesi ha analizzato l’influenza che caratteristiche specifiche dell'edificio come i materiali da costruzione, l'orientamento, il tempo, il clima e l'occupazione, la disponibilità dei dati e la tecnica utilizzata, hanno sulle prestazioni del transfer learning. Infine, i risultati sono stati analizzati in modo approfondito per classificare le variabili e produrre linee guida riguardo i requisiti richiesti sulla disponibilità dei dati.