Skip to content

2018

  • in Thesis
  • 15 min read

Development of a tool for anomaly detection and power load forecasting: the case of Politecnico di Torino.

Abstract

Il settore degli edifici è uno dei più energivori a livello mondiale. In quest'ottica, l'incremento dell'efficienza dei sistemi energetici degli edifici è di primaria importanza. Una delle soluzioni più promettenti in materia è rappresentata dall'integrazione di sistemi di gestione dell'energia all'interno degli edifici, capaci di ridurre i consumi e gli sprechi, mantenendo ottime condizioni ambientali per gli occupanti. Questi sistemi necessitano di strumenti in grado di prevedere i consumi energetici futuri nel breve periodo su intervalli variabili, al fine di migliorare la loro gestione delle risorse e dei carichi. I cosiddetti modelli inversi "data-driven", sono tra i più promettenti per adempiere a questo compito e, insieme alle tecniche di "data mining", possono essere efficacemente utilizzati per analizzare gli edifici sia a scopi diagnostici che per sviluppare tecnologie in grado di controllarne direttamente i sistemi energetici. In questo lavoro viene svolta un'analisi di letteratura circa i principali modelli inversi di tipo "data-driven" e le relative applicazioni in campo di previsione dei fabbisogni energetici, controllo degli impianti, rilevazione di anomalie, gestione della domanda e valutazione comparativa. Infine, a partire dai dati riguardanti la sottostazione elettrica C del Politecnico, forniti dal Living Lab, viene sviluppato uno strumento in grado di rilevare le anomalie di consumo e di classificarle in quattro diverse categorie appartenenti a una libreria di dati anomali, identificati grazie ad analisi di "data mining" effettuate sui dati storici. Questo strumento è, inoltre, in grado di fornire previsioni orarie del consumo di energia elettrica su un orizzonte di ventiquattro ore, quantificandone le quote adibite a ciascun uso finale, in modo da facilitare il monitoraggio dei consumi e da permettere un'analisi preventiva della forma del profilo e del relativo orario e picco di potenza.

References

  • Edoardo Chiabrera Development of a tool for anomaly detection and power load forecasting: the case of Politecnico di Torino. rel. Alfonso Capozzoli, Silvio Brandi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2018
  • in Thesis
  • 15 min read

Analisi energetica di una centrale frigorifera del Politecnico di Torino attraverso analisi inversa

Abstract

Nel contesto degli edifici smart dotati di sistemi di controllo e automazione (BACS), i dati operativi divengono il punto di partenza per la caratterizzazione prestazionale del sistema edificio-impianti e l’identificazione di strategie di retrofit. Il presente lavoro ha l’obiettivo di effettuare un’analisi energetica della centrale frigorifera CF1 del Politecnico di Torino attraverso l’approccio data-driven e, al contempo, creare un modello calibrato diretto sui dati storici che rispecchi quanto più fedelmente possibile il caso studio. La fase di caratterizzazione dell’impianto è stata effettuata utilizzando tecniche di clustering e classificazione attraverso software open-source R, mentre la fase di costruzione del modello simulativo ha visto l’utilizzo del software Trnsys. Tale modello è stato validato utilizzando come indicatori statistici il MAPE ed il MAE.

References

  • Mariachiara Pinto. Analisi energetica di una centrale frigorifera del Politecnico di Torino attraverso analisi inversa = Energy analysis of a cooling mechanical room of Politecnico di Torino by means of inverse modeling. Rel. Alfonso Capozzoli, Marco Savino Piscitelli, Silvio Brandi, Vincenzo Maria Gentile. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Edile, 2018

Automated load pattern learning and anomaly detection for enhancing energy management in smart buildings

Abstract

The energy management of buildings currently offers a powerful opportunity to enhance energy efficiency and reduce the mismatch between the actual and expected energy demand, which is often due to an anomalous operation of the equipment and control systems. In this context, the characterisation of energy consumption patterns over time is of fundamental importance. This paper proposes a novel methodology for the characterisation of energy time series in buildings and the identification of infrequent and unexpected energy patterns. The process is based on an enhanced Symbolic Aggregate approXimation (SAX) process, and it includes an optimised tuning of the time window width and of the symbol intervals according to the building energy behaviour. The methodology has been tested on the whole electrical load of buildings for two case studies, and its flexibility and robustness have been confirmed. In order to demonstrate the implications for a preliminary diagnosis, some unexpected trends of the total electrical load have also been discussed in a post-mining phase, using additional datasets related to heating and cooling energy needs. The process can be used to support stakeholders in characterising building behaviour, to define appropriate energy management strategies, and to send timely alerts based on anomaly detection outcomes.

References

  • Capozzoli, A., Piscitelli, M. S., Brandi, S., Grassi, D., & Chicco, G. (2018). Automated load pattern learning and anomaly detection for enhancing energy management in smart buildings. Energy, 157, 336-352.