Applicazione di tecniche di data analytics per la caratterizzazione spazio temporale della qualità dell'ambiente interno negli edifici = Application of data analytics techniques for the spatio-temporal characterization of indoor environmental quality in the built environment

Gli edifici utilizzano circa il 40% dell'energia totale consumata a livello globale e generano il 36% delle emissioni totali di anidride carbonica. Al loro interno, i sistemi di riscaldamento, ventilazione e condizionamento dell’aria (HVAC) possono arrivare a costituire la quota più rilevante di consumo energetico fino a circa il 40%. I sistemi HVAC sono essenziali per il controllo della temperatura interna e garantire un adeguato livello di comfort termico e di qualità dell'aria interna. Tra tutti i parametri ambientali la temperatura dell'aria è sicuramente tra i più importanti. L’approfondita caratterizzazione sia spaziale che temporale di tale parametro ha un grande impatto sulla definizione di strategie di controllo del sistema HVAC consentendo di ottimizzare i consumi energetici dell'edificio minimizzando le violazioni dei livelli prescrizionali di comfort interno. In questo elaborato è stata effettuata una caratterizzazione spazio-temporale dei trend di temperatura interna di un edificio ad uso ufficio, con il fine di proporre un approccio al problema predittivo che tenesse conto sia di una ampia distribuzione spaziale dei punti di misura che dell’evoluzione temporale di ciascuna serie storica misurata. In particolare, il processo di analisi è stato suddiviso in due fasi. la prima ha riguardato la caratterizzazione dei profili temporali giornalieri della temperatura associati a 63 sensori istallati in campo attraverso la tecnica di clustering e la loro classificazione tramite un albero decisionale con lo scopo di estrarre conoscenza riguardo le principali relazioni spaziali che sussistono tra i profili di temperatura tipologici e la posizione dei sensori. La seconda fase ha riguardato lo sviluppo di un modello di predizione in grado di prevedere per alcuni timestep in avanti l’andamento della temperatura interna nelle medesime 63 posizioni sfruttando le relazioni spaziali precedentemente ricavate. A tal fine è stato utilizzato un algoritmo di recente concezione di Spatial–Temporal Graph Neural Network (STGNN) le cui prestazioni sono state comparate con un modello predittivo di baseline di tipo Long Short-Term Memory neural network. I risultati ottenuti dimostrano come nonostante le prestazioni dei due approcci siano globalmente comparabili, il modello GNN è in grado di trarre vantaggio dalle informazioni spaziali per raggiungere un risultato più accurato in alcune zone. In aggiunta il modello GNN ha consentito di sviluppare un unico modello predittivo multi-output generando un significativo vantaggio dal punto di vista implementativo.