Skip to content

Thesis

  • in Thesis
  • 15 min read

Analisi E Sviluppo Di Un Sistema Energetico Informativo Per Il Miglioramento Della Prestazione Energetica Nei Data Center: Il Caso Di Studio Del Politecnico Di Torino.

Abstract

Da molti anni il crescente processo di digitalizzazione in vari settori come quello bancario, e-commerce, sanitario ma anche dell’intrattenimento hanno contributo a un costante sviluppo delle cosiddette Information and Communication Tecnologies (ICT). Con il termine ICT si intendono tutti i processi e le pratiche connesse alla trasmissione, ricezione ed elaborazione dei dati e delle tecnologie che si occupano di processi di raccolta, elaborazione e conservazione degli stessi dati. Tali tecnologie possono essere ospitate in strutture fisiche centralizzate che prendono il nome di Data Center (DC). I DC sono delle strutture in cui computer e data storage sono connessi in rete e sono essenziali per aziende ed altri enti o organizzazioni per poter archiviare, organizzare, elaborare e diffondere grandi quantità di dati. D’altro canto, i DC, richiedono un elevato quantitativo di energia elettrica per poter funzionare rendendoli quindi di elevato interesse da un punto di vista del loro potenziale in termini di efficientamento energetico. Secondo il rapporto del Global Sustainability Initiative (GESI), infatti, l’energia richiesta per il loro funzionamento è pari all’8% dell’energia elettrica consumata in Europa, equivalente al 4% delle emissioni di CO2 su scala europea. In particolare, uno dei principali servizi energetici che consente il corretto funzionamento e previene l’occorrenza di guasti nei DC è legato al condizionamento di tali ambienti speciali, e rappresenta ad oggi una delle principali leve per il raggiungimento degli obiettivi legati al miglioramento delle loro prestazioni in esercizio. Si è quindi potuto notare come il consumo energetico, secondo scenari di proiezione, possa passare, dal 2016 al 2030, da 1.15% a 1.86% del consumo energetico globale. Questa previsione, quindi, comporta l’importanza nella gestione energetica dei DC in ottica globale, vista la loro densità energetica elevata in relazione alle dimensioni della struttura. Diventa dunque importante implementare tecniche di continuous commissioning, che consentono di monitorare costantemente le prestazioni del DC, identificando eventuali inefficienze o malfunzionamenti ed intervenendo prontamente per migliorare le prestazioni e ridurre i consumi energetici. Il continuous commissioning può essere perseguito attraverso una serie di attività, tra cui l'analisi dei dati, la valutazione delle prestazioni, la gestione degli impianti e la manutenzione programmata. In tale contesto vi è la necessità di dover monitorare e gestire i consumi energetici al fine di ottimizzare il consumo delle risorse e ridurre i costi di gestione. Inoltre, la definizione di metriche per la valutazione delle prestazioni dei DC consente di misurare l'efficacia delle attività di continuous commissioning e di identificare eventuali aree di miglioramento. In questo elaborato di tesi è stata condotta una panoramica sullo stato dell’arte dei DC, parti costituenti e tipologie di raffrescamento, per poi analizzare nel dettaglio un caso studio di un DC all’interno del Politecnico di Torino definendone consumi e metriche calcolabili ed ipotizzando eventuali strategie di efficientamento grazie ad una modellazione energetica. Inoltre, è stato sviluppato un sistema di Energy Information System (EIS) che attraverso uno strumento di dashboard consente di supervisionare in continuo i consumi di energia e delle principali metriche di prestazione del DC considerato, al fine di consentire il processo di identificazione di eventuali anomalie.

References

  • Fabio Amarilli. Analisi e sviluppo di un sistema energetico informativo per il miglioramento della prestazione energetica nei data center: il caso di studio del Politecnico di Torino = Analysis and development of an energy information system for the improvement of energy performance in data centers: the case of the Politecnico di Torino. Rel. Alfonso Capozzoli, Marco Savino Piscitelli, Roberto Chiosa. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2023
  • in Thesis
  • 15 min read

A cloud-based Energy Information System (EIS) for innovative energy management in buildings: the case of Politecnico di Torino.

Abstract

The building sector accounts for more than a third of global energy consumption, and nearly 90 percent of total energy consumption in the building lifecycle depends on its operation. In recent years, the spread of IoT technologies in buildings and the adoption of pervasive smart-metering systems have enabled the acquisition of a massive amount of high-frequency energy-related data. Leveraging this data to extract and formalize knowledge is essential to characterize the actual performance of buildings during operation and take action to reduce energy consumption, prevent energy waste, and promote a more efficient way of managing buildings. A valuable tool employed to monitor, analyze and control building energy systems by taking advantage of advanced data analysis technologies are so-called energy management and information systems (EMIS). EMISs are often designed as monolithic software deployed on physical servers and thus are unable to scale properly to support computationally demanding real-time applications. In addition, EMISs are usually tailored to the building-specific monitoring system, which leads to a lack of interoperability and raises challenges when integrating different advanced services based on data-driven techniques. This work presents the design of microservice-based Energy Management and Information System cloud architecture and the implementation of a forecast and anomaly detection application. The architecture, based on the Kubernetes container cluster, enabled fine-grained system decoupling, reliability, scalability, and ease of system maintenance while optimizing resource utilization, interoperability, and integration, creating a robust environment to analyze cross-domain data and developing innovative data-driven EIS services. The forecast and anomaly detection application was tested and deployed online on the photovoltaic plant of the Politecnico di Torino campus, leading to the development of a tool useful to support energy management through an effective prediction of energy demand at a daily scale and anomaly alerting.

References

  • Davide Taddei A cloud-based Energy Information System (EIS) for innovative energy management in buildings: the case of Politecnico di Torino. Rel. Alfonso Capozzoli, Fulvio Giovanni Ottavio Risso, Roberto Chiosa, Marco Savino Piscitelli. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2022
  • in Thesis
  • 15 min read

Automated Anomaly Detection In Energy Consumption Time Series Of Buildings Through Pattern Recognition Techniques

Abstract

Commercial buildings are significant consumers of electrical and thermal energy, therefore energy savings, improving energy efficiency, and reducing greenhouse gas emission are the purposes for building owners, operators, and stakeholders. On the other hand, energy analysts have to understand the energy consumption behavior by looking for changes in energy patterns that may imply device failures or anomalous behavior. This master’s thesis deals with an energy data-mining approach that performs automated Anomaly Detection, through data analytics techniques called Matrix Profile (MP) and its extension Contextual Matrix Profile (CMP). This work aims to extract from large energy time-series data generated by sub-meters and smart sensors installed in Politecnico di Torino buildings, anomalous energy consumption patterns and to understand the root causes of the detected anomaly. The framework built up combines a hierarchical cluster algorithm, which helps to aggregate power consumption daily patterns, with MP and a final descriptive statistics outliers’ analysis.

References

  • Simone Vitale. AUTOMATED ANOMALY DETECTION IN ENERGY CONSUMPTION TIME SERIES OF BUILDINGS THROUGH PATTERN RECOGNITION TECHNIQUES. Rel. Alfonso Capozzoli, Marco Savino Piscitelli, Roberto Chiosa. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2022
  • in Thesis
  • 15 min read

Application of Data Analytics techniques for the analysis of building energy performance during operation : the case of Politecnico di Torino.

Abstract

In 2019, building operations were responsible for about the 28% of the global CO2 emissions, taking into account not only the share directly due to the daily activity, but also the indirect part produced by the generation of power that supplies the building. The buildings consumption is strongly affected by the Energy Performance Gap, which is the deviation of the actual energy performance of the building with respect to the expected and designed one. As a consequence, the scope of improvement is relevant for the buildings and, in this context, an effective energy management has a key role. The aim of this thesis work is to provide a data analytics methodology whose results can be helpful to increase the knowledge about the system and that can be a tool to implement for the energy management. In particular, the methodology is applied to an educational building, the Polytechnic of Turin, focusing on a defined subsection of the system that includes energy-intensive loads and a photovoltaic production plant. The analysis follows two parallel paths, taking into account first, the load-side and then the production-side of the domain. The load-level analysis identifies typical profiles of consumption - with correspondent external conditions - of a chiller unit and an independent building, by means of an hierarchical clustering technique and a classification tree. Then, the focus is on the baseload of each profile, intended as the minimum value of demand that is always present, in order to find reference power ranges that are used to define a Key Performance Indicator, that ranks the daily energy-related behaviour. At this point, the energy waste of the loads is detected with a comparison between the actual consumption and a simulated one, considering improved values of baseload power. The production-level analysis, instead, consists in the development of an Artificial Neural Network for the forecast of the power production of the photovoltaic plant; the results of the neural network are then used to develop an anomaly detection algorithm in order to automatically found faulty operating conditions of the system, providing a daily warning that distinguishes between strong and possible anomalies. Finally, a predictive maintenance procedure is proposed with the aim to recommend extraordinary maintenance actions if a series of anomalous day are consequently reported.

References

  • Maria Teresa Zitelli Application of Data Analytics techniques for the analysis of building energy performance during operation : the case of Politecnico di Torino. Rel. Alfonso Capozzoli, Marco Savino Piscitelli. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2022
  • in Thesis
  • 15 min read

Automated Anomaly Detection In Energy Consumption Time Series Of Buildings Through Pattern Recognition Techniques

Abstract

In recent years, the technological development in virtually every sector has often made it possible to consider real-world data – thanks to the ever-growing ease in collecting and storing these information – as an increasingly valuable resource to guide experts and decision-makers in a multitude of tasks. Among these, the analysis of energy consumption in large buildings is one of the areas of research that is subject to continuous innovation and refinements, as more and more data is made available through the installation of systems that ultimately aim at reducing inefficiencies by guiding the users towards a more “energetically responsible” behavior and by detecting potentially anomalous events during building operation. While collecting and storing data has seemingly become effortless, their analysis often still requires a certain degree of expert knowledge for intervention, due to the fact that it is basically impossible to define an unanimous criteria for “correct” or “incorrect” energy behavior at a whole building-level and it is even harder to investigate the individual causes of inefficiencies at a sub-meter-level starting from aggregate data. This work proposes a methodology for anomaly detection and diagnosis in large non-residential buildings that is built upon one of the newest and most promising techniques for time series analysis, the Matrix Profile (MP). Starting from an extensive review of the existing works that have contributed to the development of the Matrix Profile, its critical issues in the research field of energy data analytics are examined and a variation of the original technique, called Contextual Matrix Profile (CMP), is adopted for analysis on daily load profiles of power demand data measured by a monitoring system connected to a Medium Voltage/Low Voltage (MV/LV) transformation cabin of a university campus (i.e., Politecnico di Torino). Conventional supervised and unsupervised learning techniques, such as clustering and regression trees, are employed for the purpose of grouping together examined days with similar power demand profiles and set up the required input parameters for the CMP, while the anomaly detection step is based on the CMP output and on the combined results of two techniques – the “elbow” method and the boxplot – in order to find out the optimal number of days to be marked as “anomalous”. The root causes of unexpected behaviors in anomalous days are then investigated by defining a metric that ranks sub-loads in terms of their impact on the anomaly at a meter-level. Climatic conditions are also taken into account with the aim of providing possible explanations for the behavior of sub-loads that, during their operation, are particularly influenced by factors related to seasonality, such as external air temperature.

References

  • Simone Deho'. Application of data analytics processes for the detection of anomalous energy patterns in buildings. Rel. Alfonso Capozzoli, Marco Savino Piscitelli, Roberto Chiosa. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2021
  • in Thesis
  • 15 min read

Detection and diagnosis of anomalous energy consumption patterns in buildings through a data analytics based approach: the case of Politecnico di Torino.

Abstract

In recent years, Smart Metering Infrastructure (SMI) has enabled the collection of huge amounts of building-related data. However, very often, only time series of a few aggregated variables associated with building energy consumption are available. Therefore, it becomes necessary to extract from meter level data as much information as possible in order to optimize building energy management, by reducing losses due to inefficiencies or anomalous behaviour of sub-systems and equipment. This paper proposes an innovative top-down Fault Detection and Diagnosis (FDD) methodology able to automatically detect at whole build- ing meter-level anomalous energy consumption and then diagnosticate which sub-load could be responsible. The process consists of a multi-step procedure combining various data mining techniques. An evolutionary classification tree is firstly implemented to discover frequent and infrequent daily aggregated energy patterns opportunely abstracted through a symbolic approximation pro- cess. Then a post-mining analysis based on Association Rule Mining (ARM) is performed to discover the main sub-loads affecting the detected anomalous energy patterns. The methodology is tested on metering data related to the electrical load of a transformer substation of a university campus, leading to the development of a tool useful to support the energy management with a complete characterization and diagnosis of energy demand at a daily scale.

References

  • Maria Teresa Zitelli Application of Data Analytics techniques for the analysis of building energy performance during operation : the case of Politecnico di Torino. Rel. Alfonso Capozzoli, Marco Savino Piscitelli. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2022
  • 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
  • in Thesis
  • 15 min read

Analisi energetica attraverso simulazione in regime dinamico di aule universitarie : il caso studio delle aule 27/27b/29/29b.

Abstract

Stiamo vivendo in un periodo in cui l’attenzione alla coibentazione ed al risparmio energetico si sta sviluppando per permettere la realizzazione di edifici sempre più isolati e sempre più prestazionali. Grazie all’innovazione tecnologia ed allo studio degli elementi disperdenti, è possibile raggiungere livelli di isolamento termico molto elevati. Progettando l’involucro edilizio con cura e studiando con attenzione le soluzioni stratigrafiche migliori, è possibile realizzare fabbricati con richieste di energia termica per il riscaldamento minime. Il rovescio della medaglia di questa situazione invernale ottimale, è il comportamento estivo degli edifici super coibentati. In regime estivo diventa necessario predisporre un impianto di raffrescamento che sia in grado di abbassare le temperature; le stratigrafie molto isolate non permettono infatti al calore di attraversare le pareti e di fluire all’esterno, provocando fenomeni di surriscaldamento. Questo fenomeno si verifica con particolare facilità se gli apporti interni dovuti agli utilizzatori e alle apparecchiature sono elevati, tipicamente in locali destinati all’utilizzo di molte persone. L’analisi che verrà effettuata si prefissa l’obiettivo di approfondire questo discorso e capire quanto siano importanti tutti i contributi interni fomiti ai locali ogni giorno dell’anno. Per poter analizzare tutti gli aspetti dell’edificio nel dettaglio e poter simulare il comportamento dei locali e del sistema impiantistico è necessario utilizzare un software che permetta la modellazione dei locali e la simulazione annuale di molti dati inseriti dall’utente. Focalizzando sempre più la nostra attenzione sull’involucro e sulle soluzioni impiantistiche, spesso ci si dimentica di quanto possa essere impostante la quota parte di energia che, annualmente, gli utilizzato forniscono ai locali e che può risultare un grave errore non considerare opportunamente. L’analisi evidenzierà appunto quanto sia fondamentale uno studio accurato di ogni elemento per poter dire di conoscere a fondo il funzionamento annuale di un locale. Nelle seguenti pagine verrà analizzato come gli apporti interni, dal semplice uso di apparecchiature elettriche alla, più interessante presenza di occupanti, possano modificare in maniera molto consistente tutti i calcoli effettuati, integrando buona parte della richiesta di riscaldamento. Lo studio effettuato prende in considerazioni 4 aule didattiche del Politecnico di Torino, densamente utilizzate e caratterizzate da un forte isolamento sul lato interno dei locali, quest’ultimo permette di vedere come dei locali molto coibentanti siano in grado di raggiunge il set point invernale, 20°C, semplicemente con gli apporti dovuti agli studenti che stanno seguendo le lezioni e che, questo fenomeno, questo possa diventare un problema nelle mezze stagioni. Lo studio si divide in 4 parti:Analisi iniziale, reperimento informazioni e studio sulle condizioni di esercizio delle aule oggetto di studio; Studio approfondito dei carichi termici interni dovuti agli studenti, illuminazione ed apparecchiature elettroniche; Modellazione digitale dei locali, tramite software eQUEST; Estrapolazione dei risultati e analisi di quest’ultimi. Come sarà possibile vedere dai risultati esposti negli ultimi capitoli, il raffrescamento diventa una componente fondamentale di tutti quegli edifici per cui si stato progettato un buon livello di isolamento, questo per evitare problematiche nei periodi estivi e nelle mezze stagioni. I risultati ottenibili sono fortemente dipendenti dall’utilizzo dei locali, lo studio proposto è interessante anche perché analizza un caso particolare, le aule universitarie, che ben si presta a questo tipo di considerazioni avendo, per la maggior parte dell’anno, un utilizzo costante e intenso dei locali.

References

  • Enrico Maria Pazè. Analisi energetica attraverso simulazione in regime dinamico di aule universitarie : il caso studio delle aule 27/27b/29/29b. Rel. Alfonso Capozzoli, Fabio Laguardia. Politecnico di Torino, Corso di laurea magistrale in Architettura Per Il Progetto Sostenibile, 2016