ricerca di sistema elettrico - enea — it · ricerca di sistema elettrico monitoraggio e...
TRANSCRIPT
RICERCA DI SISTEMA ELETTRICO
Monitoraggio e modellazione innovativa di consumi elettrici in smart building
M. Annunziato, F. Lauro, C. Meloni, S. Pizzuti
Report RdS/2011/333
Agenzia Nazionale per le Nuove Tecnologie, l’Energia e lo Sviluppo Economico Sostenibile
2
MONITORAGGIO E MODELLAZIONE INNOVATIVA DI CONSUMI ELETTRICI IN SMART BUILDING
M.Annunziato, C.Meloni, S.Pizzuti (ENEA)
F.Lauro (Università degli Studi della Calabria)
Novembre 2011
Report Ricerca di Sistema Elettrico
Accordo di Programma Ministero dello Sviluppo Economico – ENEA
Area: Razionalizzazione e risparmio nell’uso dell’energia
Progetto: Tecnologie “smart” per l’integrazione della illuminazione pubblica con altre reti di
servizi energetici e loro ottimizzazione
Responsabile Progetto: Mauro Annunziato, ENEA.
3
RiferimentiQuesto rapporto tecnicosi riferisceall’Accordodi ProgrammatraMinisterodelloSviluppoEconomicoedENEA,nelcontestodellaRicercadiSistemailcuiobiettivoèilmiglioramentodelsistemaelettriconazionalesiainterminidinuovetecnologiechediefficienzaenergetica.Ilrapportosi inquadranell’Area“Razionalizzazionee risparmionell’usodell’energiaelettrica”,nell’ambitodel PAR 2010, in riferimento alla tematica di ricerca “Risparmio di energia elettrica nell’illuminazionepubblica”‐Progetto3.2.1,“Tecnologiesmartperl’integrazionedellailluminazionepubblicaconaltreretidiservizienergeticie loroottimizzazione” ‐TaskD“Sviluppodel sistemadipredizioneed interazionedellaretediedifici”.Ilrapportosifocalizza inparticolaresullosviluppodiunametodologiadimonitoraggioemodellazionedeiconsumi elettrici, oltre gli aspetti connessi alla utenza e ai fattori climatici, finalizzata alla gestioneenergeticadiedificinelsettoreterziario, conl’obiettivodi creareunapproccioinnovativoallagestionediretidiedificiingradodiottimizzarneiconsumienergetici,rendendolipiùefficienti.
4
Sommario1. INTRODUZIONE ................................................................................................................................................5
2. METODOLOGIE .................................................................................................................................................6
2.1. Ilmonitoraggioremoto...........................................................................................................................6
2.2. Tecnichedimodellazione .......................................................................................................................8
2.2.1. Modellazione‘Naive’ .......................................................................................................................8
2.2.2. Modellazionestatistica....................................................................................................................8
2.2.3. Regressionelineare..........................................................................................................................8
2.2.4. Retineuraliartificiali........................................................................................................................9
2.2.5. Tecnichediensembling .................................................................................................................10
2.3. Diagnosticadicondizionianomale ......................................................................................................12
2.4. Monitoraggiodell’affluenza .................................................................................................................13
2.4.1. IlDataBasePresenzediStanza(DPS) ..........................................................................................13
2.4.2. Software .........................................................................................................................................15
3. ANALISISPERIMENTALE ................................................................................................................................19
3.1. Analisidati..............................................................................................................................................19
3.2. Setupsperimentale ...............................................................................................................................23
3.3. Illuminazione..........................................................................................................................................24
3.4. Forzaelettromotrice .............................................................................................................................28
3.5. Condizionamento ..................................................................................................................................32
3.6. Riepilogo .................................................................................................................................................38
4. CONCLUSIONIESVILUPPIFUTURI................................................................................................................39
Bibliografia ..............................................................................................................................................................40
5
1. INTRODUZIONE
AttivitàpregressaLa prima fase di sviluppo della ricerca (PAR 2007 e PAR 2008‐2009) si è focalizzato sullo sviluppo dimetodologiedimodellazionepredittiva,ottimizzazioneeregolazionedell’interosistemaedificio‐sistemadiclimatizzazione innovativa e delle utenze ad essa correlate, attraverso cui si intende cogliere l’ulterioremarginediefficienzamaanchegarantirelacompetitivitàdelsistemanelsuoinsieme.Ildocumento“Modellipredittiviesoluzionipilotaperladiagnosticaecontrollodismartbuildings”,autoriM.Annunziato,M.Bosello,M.DeFelice,C.Meloni,S.PizzutiReportRdS/2011/257,http://www.enea.it/it/Ricerca_sviluppo/documenti/ricerca‐di‐sistema‐elettrico/climatizzazione‐rinnovabili/rds‐257.pdfillustrairisultatiottenutiarticolatisutrepuntibase:
• lamodellisticapredittiva(taskC1);
• laqualificazionesperimentale(taskC1);
• lasimulazioneediagnostica(taskC2).
Dopounaintroduzionesulletecnologiepiùdiffuseperladiagnosticaecontrollodegliedificiilrapportohadescrittoillavorosvoltoperilconseguimentodeiduesotto‐obiettivi(taskC1eC2).
La prima parte della ricerca (task C1) ha riguardato lo sviluppo di un modello predittivo della richiestaenergetica per la climatizzazione (estate‐inverno) di un edificio complesso. Il modello tiene conto dellecomponentiperiodichelongemediumterm(giornaliere,settimanaliestagionali)edellecomponentishorttermchehannouncarattereacortapredicibilità (variazioni rapidedi richiesta dell’utenza,guasti, effetticlimatici)efausodipredittorineuraliemetodologiedievolutionarycomputation.Nonsibasasupredizioniteoriche (non ha lo scopo di progettare il sistema di climatizzazione, bensì quello di gestirlo), maricostruisce progressivamente nel tempo il profilo di utenza dell’edificio al fine di ottimizzarne laprestazione.Pertantoèstatoelaborato/qualificatosullabasedidatisperimentaliprovenientidaunedificioreale. L’utilità del modello risiede sia nella regolazione ottimale che nella disponibilità di un potenzialeprofilodiproduzione,baseperunastrategiadinegoziazionedellareteattivaconlareteelettricaesterna,passo molto importante per un sistema soggetto alla variabilità delle rinnovabili. Accanto allaclimatizzazioneèstatonecessarioestenderelostudioallealtreutenzeenergeticheinquantostrettamentecorrelatepergliaspettidelladiagnosticaedelcontrollo.
Nellasecondaparte(taskC2)fuidentificataunametodologiadiottimizzazionefondatasiasullosviluppodiuna metodologia diagnostica e sia sulla ottimizzazione multiobiettivo della regolazione delle variecomponenti di climatizzazione e di produzione energetica, interne ed esterne all’edificio, per ottenere lamassima efficienza, il minimo impatto ambientale, la garanzia di funzionamento, il minimo costo digestione.
AttivitàPAR2010In questo periodo (PAR 2010) le attività svolte hanno riguardato lo sviluppo di una metodologia disupervisioneecontrollodeiconsumielettriciedenergetici,oltregliaspetticonnessiallautenzaeaifattoriclimatici,finalizzataallagestioneenergeticadiedificinelsettoreterziario.Inparticolareleattivitàhannoriguardato:
• metodologieo approccioamodellidiagnostici;o modellazionetramiteretineurali;o progettazioneesperimentazionediunsistemadianalisirelativoall’affluenzanegliedifici.
• analisisperimentaleo modellazione.
6
2. METODOLOGIE
Secondoquantoprevistodalpianoannualedel PAR2010, lemetodologiemesseapuntosi riferisconoaiseguentiargomenti:
• Isistemidimonitoraggioremoto;
• l’implementazionedimodelliinnovativiperlastimadeiconsumielettrici;
• ladiagnosticadisituazionianomale;
• ilmonitoraggiodell’affluenzanegliedifici.
2.1. Ilmonitoraggioremoto
Lariduzionedeiconsumienergetici,inparticolarequellielettrici,negliedificièuncampodiforteinteresseinquantoconnessoalproblemadelleemissionidigasserra: laquotadiCO2emessadaquestiultimiogniannoèparial15%delleemissionitotalimondiali(fonteWorldResearchInstitute).
Lanormativaa livellocomunitarioenazionaleèsemprepiùstringentenelcontenimentoenergeticodegliedifici,comedimostralarecenteDirettivaEuropea2010/31/CE.
Attualmenteogniannogliedificidinuovacostruzioneadelevateprestazionienergeticheequelliesistentiriqualificati energeticamente rappresentano una quota pari al 2,5% del patrimonio immobiliare totale,mentresullarestantepartedegliedificinonvieneeffettuatoalcuntipodiinterventodiriqualificazione.
Agiresugliedificiesistenti,sviluppandounainnovativasoluzioneperrenderlipiùefficienti,èl’obiettivodiquesta attività. Il singolo edificio è un nodo di un sistema più complesso (la rete) ed essendo parteintegrante di essa, indipendentemente dalle sue caratteristiche, può in modo più o meno efficaceraggiungere i suoi obiettivi, quali l’efficienza energetica, attraverso la connessione con gli altri elementi;essa si basa sulla progettazione di una rete capillare di sensori su ogni singolo edificio che permette diremotizzareintemporealeleinformazioniacquisite.
Questo approccio si fonda su un sistema di controllo centralizzato del parco edilizio distribuito chepotrebbeportareanotevolirisparmienergeticiedeconomiciconcostidi investimentocontenutiessendofondatiprincipalmentesuautomazioneedintelligenza.
Ilmonitoraggioremotocostituisceilprimopassoperlosviluppodiunaretediedifici;conoscerel’intensità,ilprofiloelecriticitàdelconsumosonoglielementifondamentaliperpianificareunastrategiadiinterventocompetitivasugrandiretidiedifici.Aquestoscoposonostate individuatele informazioninecessariechepermettono di ottenere strategie di diagnosi efficaci, determinare i costi da affrontare in relazione allavetustàeaivincolidell’edificioequantificare ilrisparmioenergetico/ambientaleottenibiledall’impiegodidifferentistrategie.
L’architettura di sistema ipotizzata (Figura 1) si basa sulla costruzione di una rete di sensori distribuitacapillarmente all’interno di ogni stabile che costituisce il cluster di edifici. La rete di sensori permette ilmonitoraggio delle variabili che influenzano lo stato del sistema edificio in un determinato periodo ditempo:
• condizioniambientaliesterne;
• condizioniambientaliinterne;
• consumitermici;
• consumielettrici;
• presenzadegliutenti(peredificiadibitiadusoufficio).
7
Avalledellostrumentodimisuraèpresenteinogniedificiounsistemaditrasmissionechehailcompitoditrasferire intemporealee incontinuoidatimisuratiadununicopunto, lacontrolroom,“remotizzando”l’informazione.
Nellacontrolroomleinformazionisullevariabilivengonoarchiviateedelaborateinunserver(intelligenzaremota). Il lavoro offre un contributo allo sviluppo del sistema di supervisione del comportamentoenergeticodelleretidiedificiproprio inquestosenso:vengonocostruitimodelliper lastimadeiconsumidell’edificioalvariaredelle grandezzemonitorateche li influenzano,con finalitàdi sviluppodi logichedidiagnostica, di logiche di conduzione/gestione dell’edificio e di controllo remoto (segnalazione dicomportamentianomalieinefficienzeointerventodiretto).
Fig.1–Ipotesidigestioneenergeticadiunaretediedifici
Le informazioni derivanti dall’elaborazione dei dati monitorati permettono al supervisore di individuareeventuali condizioni anomale (diagnostica) che possono derivare da unamancanza dimanutenzione, daguastiodacattivagestionedell’edificio,edirilevareeventualiinefficienze(ades.strutturali)dellagestioneenergeticadell’edificioattraversoilconfrontoconedifici“simili”percaratteristichetecnicheecondizionialcontorno.Sedelleanomaliesonoeffettivamentepresenti,ilsupervisorepuòagireoattraversouncontrollodiretto sui singoli impianti da remoto (telecontrollo) o attraverso una gestione indiretta (telegestione)informandoidirettiresponsabilidelsingolostabile,iqualisioccuperannopoidell’interventosulcampo.
Attraversoopportuni sistemidiautomazioneèpossibilecomandare inmaniera“intelligente” e conausiliautomatici gli impianti tecnologici, portando ad una loro gestione molto più semplice, razionale e conrisparmi energetici e sui costi di gestione. Risulta più semplice controllare le procedure di utilizzodell’edificio in quanto diviene possibile delegare le diverse operazioni. Inoltre, l’automazione di alcuneoperazionigarantiscechequantodeveessereeseguitolosiafattoprontamenteecorrettamente.
8
2.2. Tecnichedimodellazione
Inquestoparagrafovengonodescrittele5tecnichedimodellazionechesonostateapplicateeconfrontatenellafasesperimentale.
2.2.1. Modellazione‘Naive’
Per fornire un confronto significativo tra i diversi metodi considerati si introduce un modello “Naive”.Questo tipo dimodello serve infatti a quantificare imiglioramenti apportati dametodi sicuramente piùsofisticatied"intelligenti".
Perdatiperiodiciunmodello“Naive”puòessereilseguente:
xt=xt‐s
doveSèilperiodoosservabile.QuestomodellononfaaltrochevalutareilsegnalealtempotfornendolostessovaloreosservatoesattamenteSistantipassati.Nel nostro caso, essendo i dati campionati con frequenza oraria ed essendo la loro periodicità di tipo
settimanale, il valorediSèparia168(24ore*7giorni).Quindi,adesempio,perstimareilconsumodelgiornolunedì14all’oraxverràusatoilvaloremisuratoilgiornolunedì7allastessaorax.
2.2.2. Modellazionestatistica
Inquestosettoreapplicativounodeimodellipiùcomunementeutilizzatièquellodelprofiloorariomediosettimanale.Ovvero,daidatiadisposizionesicalcolaper idiversigiornidellasettimanailvalormediodelflussoditrafficooraperora,ottenendocosìunprofilomediodi24X7=168punti.
2.2.3. Regressionelineare
Unadelletecnichedimodellazionedeiconsumielettricimaggiormenteutilizzataè l’AnalisidiRegressioneLineareoMultivariata(oLineareMultipla).
LaRegressioneformalizzaerisolve ilproblemadiunarelazionefunzionaletravariabilimisuratesullabasedi dati campionari estratti da un’ipotetica popolazione infinita. La formulazione generale nel casoMultivariatoèlaseguente:
incui:
• Yièlavariabiledipendente(damodellare);
• sonolei‐esimeosservazionidiciascunodeikregressori;
• èlarettadiregressione;
• β0èilvaloreattesodiYquandotutteleXsonopariazero;
• β1è ilcoefficienteangolarediX1,β2è ilcoefficienteangolarediX2(tenendocostantigliXknon
presiinconsiderazione),etc.;
• uièl'errorestatistico.
9
Daquestaformulazionegeneralediscendeilcasosemplificato(Lineare)applicatonelpresentelavoro:
in cui la variabile dipendente y è legata da una relazione lineare alla variabile indipendente x, a cui siaggiungeunaquantitàcasuale(ε).
Nelnostrocasolavariabileyrappresentalastimaorariadelvalorediconsumoinesame;conlavariabilexabbiamosceltodi indicare ilnumerodipersonepresentinell’edificioaquella stessaora,dato cheè unodegli aspetti che maggiormente influenza l’andamento del consumo. Il problema della regressione sitraducenelladeterminazionedeicoefficientiaebinmododaesprimereal“meglio”larelazionefunzionaletrayex.Inparticolare,perlavalutazionedelcoefficienteangolarebdelmodellosièutilizzataunafunctionExcel che, in base ai valori di training di x e di y, restituisce il valore di b più appropriato. Il valore delcoefficienteaèstatosceltoquindidiconseguenza.
2.2.4. Retineuraliartificiali
Le retineuraliartificiali (RNA)sonomodellidi calcolochesi ispiranoal funzionamentodi sisteminervosibiologiciperrisolvereproblemidiclassificazione,modellazioneepredizionedielevatacomplessità,ovverodipendentidaunelevatonumerodivariabiliedaltamentenonlineari,epertantononrisolvibiliattraversometodialgoritmici.Ilmeccanismodideterminazionedeiparametriinternidelmodellovienecomunementeindicatocome‘addestramento’.Taleproceduraèatuttiglieffettiunproblemadiottimizzazioneincuisirichiede di minimizzare l’errore tra il dato reale e quello stimato, ovvero si adotta un meccanismo di‘apprendimentotramiteesempi’avendoadisposizioneunsetdidatidelfenomenochesivuolemodellare.
Nelpresentelavorotalimodellisonostatiimplementatiperrealizzaremodellipredittiviabrevetermine(1ora)diflussiditrafficoveicolareurbano(numeroveicoli/ora).
Le reti neurali artificiali (RNA) sonomodelli di calcolo che si ispirano al funzionamento del cervello perrisolvereproblemidi classificazione,modellazionee predizionedielevatacomplessità,ovverodipendentida un elevato numero di variabili ed altamente non lineari, e pertanto non risolvibili attraversometodialgoritmici. Iprimistudiditalimodellirisalgonoaglianni40perproseguirefinoaigironinostri.Daalloraquestimodelli sono stati applicati in settori che vannodall’ingegneria alla sociologia, dallamedicina allafinanza,etc.etc.L’unità di calcolo elementare di una RNA è il neurone (o nodo), in esso si possono identificare trecomponentiprincipali:
• Un insieme di connessioni in ingresso, ciascuna delle quali viene caratterizzata tramite un pesorealechenedefinisceefficaciaetipologia.
• Unsommatore,checalcolalasommapesatadeisegnalid’ingresso.
• Unafunzioned’attivazione,tipicamentenonlineare,chericevutocomeingressoilsegnalecalcolatodalsommatore,determinalostatodiuscitadelneurone.
Fig.2:modellodineuroneartificiale
10
Interminimatematici, indicandoconxi lecomponentidelvettoredi ingresso, wi ipesisulleconnessionientrantidelk‐esimoneurone, l’uscitadelneuronek‐esimo,possiamodescrivereilcomportamentodiunneuroneattraversoleseguentiequazioni:
)( kkk nety !" #= (1)
Dove
knet èlacombinazionelinearedegliingressiedèchiamatainputnetto:
!=
==n
j
jjk
T
k xwxwnet1
(2)
Nella(3.1)abbiamoindicatocon k! ilvaloredisogliadelk‐esimoneurone,dettoancheBIAS(BasicInputAttivation System), cioè il gradodi “sensibilità” con cui il neurone risponde alle perturbazionedell’inputnetto e con )(!" la funzione di attivazione. Ogni funzione monotona crescente e continuamentedifferenziabile,puòrientraretraqueste,quellapiùcomunementeutilizzataèilsigmoide:
)exp(1
1)(
xx
!+=" (3)
L’elementochecaratterizzaidiversitipidiRNAè latopologiadelleconnessionideineuroni.L’architetturapiùcomunementeutilizzata èquelladel tipo ‘feed‐forward’. In talemodello Ineuroni sonoorganizzatialivelli: ilprimoèdetto input layerperché riceve i vettorid’ingresso;poi vi sonounoopiùstratinascosti(hiddenlayer)eunodiuscita(output layer).Intaletipodireteneuroniprendonoquindiil loro inputsolodallo strato precedente, ed inviano il loro output solo allo strato seguente. Inoltre neuroni dello stessostratononsonoconnessitraloro.Ilmeccanismodideterminazionedeipesidellediverseconnessionivienecomunementeindicatoaddestramento.Taleproceduraèatuttiglieffettiunproblemadiottimizzazioneincuisirichiedediminimizzarel’erroretraildatorealeequellostimato,ovverosiadottaunmeccanismodi‘apprendimentotramiteesempi’,ovverounsetdidatidelfenomenochesivuolemodellare.
Fig.3:modellodiRNAfeed‐forward
2.2.5. Tecnichediensembling
Conensemblesiintendeuninsiemedimacchined'apprendimentobaseicuioutputvengonocombinatipermigliorare le prestazioni globali. La varietà di termini con cui in letteratura vengono chiamate le variemacchine, riflette l'assenzadi una teoria unificata suimetodi di ensemble e il fatto che sia un campodi
11
ricercaancoradaesploraresottomoltiaspetti.Leragionipercuiindagaresull'efficaciadiquestimetodistaneirisultatisperimentalifinoadoggiottenuti,supportatidaargomentazioniteoriche[Breiman1996].Imetodidiensemblesipossonodividereinduecategorie:generativienongenerativi.Quellinongenerativicercano di combinare nel miglior modo possibile gli output delle macchine, mentre quelli generativigenerano nuovi set di learner, in modo da generare fra essi delle diversità che possano migliorare leprestazioniglobali.Per quanto riguarda le tecnichenon generative, inclassificazione,per esempio, siutilizza la tecnicadellavotazioneamaggioranza(majorvoting),eventualmenteraffinatapesandoivotipropostidallemacchine.Sipossono combinare gli output attraverso operazioni di media (Basic Ensemble Method) eventualmentepesata,mediana,prodotto,somma,oppurescegliendoilminimooilmassimo.Un semplice modo di combinare insieme gli output delle RNA è quello di farne banalmente la mediaaritmetica.L’outputdelBasicEnsembleMethod(BEM)èquindicosìdefinito:
Questoapprocciopuòportareadunmiglioramentodelleperformance,sebbenenontengacontodelfattoche alcune reti potrebbero essere più accurate di altre. Il BEM presenta i vantaggi di essere facilmentecomprensibileeimplementabile,senzaaumentineivalorid’errore,comesièdimostratoin.UnageneralizzazionedelBEMconsistenell’individuazionedeipesiperognioutputinmododaminimizzarel’MSEdell’ensemble.IlGeneralizedEnsembleMethod(GEM)èdefinitocome:
doveipesiαivengonosceltiinmododaminimizzarel’erroreassolutomedio.
Imetodigenerativiprovanoamigliorare leperformancedelsistematentandodiutilizzare lediversitàfrailearner. Per fare questo vengono generati diversi set con cui addestrare le macchine (tecnica diresampling), o viene manipolata diversamente l'aggregazione delle classi (tecnica di feature selection) oancorasipossonoaddestraredei learnerchesispecializzanosupartispecifichedelsetdiapprendimento(mixtureofexperts).Letecnichediresampling,comeilbootstrapping,consentonodigenerarenuovisetapartiredaquellooriginaleevengonoutilizzateneimetodigenerativiBaggingeAdaboost.
Ilbaggingèunmetododiensemblecheprendeilnomedall'unionedelleparoleBootstrapAGGregatING.Latecnicadibootstrappingsuundatabaseconsistenell'estrazioneconrimpiazzodeisuoielementiinmododacrearenuovidiversitrainingset.Laprobabilitàdiestrazionediogniesempio,nelbagging,èugualeaquelladegli altri. L'algoritmo base prevede la creazione di modelli per ogni training set e successivamente lacombinazionedellevariestimesultestsetattraversoun'operazionedimedia.
Avendo a disposizione il training set iniziale S si costruiscono p nuovi training set Si estraendo da S conrimpiazzo. A partire da ognuno di questi nuovi training set si effettua un modello e successivamente siconsideracomemodelloquelloottenutomediandoleuscite
12
Fig.4:bagging
LatecnicaAdaboostderivadalfattochel'ensembleprevedeilbootstrapadattivo,nelsensochepossiedelacapacitàdiadattarsiallecaratteristichedidifficoltàdeltrainingset.
L'idea centrale è quella di estrarre a caso un certo numero di esempi dal training set, assegnandosuccessivamenteunaprobabilitàmaggiorediestrazionepergliesempipiùdifficilidaapprendere.
Inizialmentesiaddestraunaprimamacchinaconuntrainingsetcostruitomedianteestrazionecasualeconprobabilitàugualepertuttigliesempi.Fattociòsiaggiornanoleprobabilitàdiestrazioneperiltrainingsetsuccessivoaumentandoquelladegliesempidelsetoriginaleappresipeggio.Sigeneraunnuovotrainingsetesiaddestraunanuovamacchinaecosìvia.SperimentalmentesièevidenziatocheAdaboostpuòridurresiabiaschevarianza.
2.3. Diagnosticadicondizionianomale
In questa sezione vengono presentati i criteri per la diagnostica dei consumi anomali. Per consumoanomalo intendiamo un consumo che si discosta sia dal caso medio statistico sia dal modello che nefornisceunastimanellecondizionichevengonomisurate(es.perunacertaoccupazioneoconparticolaricondizioniclimatiche).
Ilsistemadiagnosticoèstatocomeunsistemadiregolebasatesulogicafuzzy.
La logica fuzzy (o logica sfumata o logica sfocata) è una logica in cui si può attribuire a ciascunaproposizioneungradodiveritàcompresotra0e1.Èunalogicapolivalente,epertantoun'estensionedellalogica booleana ed è fortemente legata alla teoria degli insiemi sfocati (fuzzy set). Con gradodi verità ovalorediappartenenzasiintendequantoèveraunaproprietà:questapuòessere,oltrechevera(=avalore1) o falsa (= a valore 0) comenella logica classica, anchepari a valori intermedi. Questo approccio ha ilvantaggiodinondoverimpostaredeimeccanismiasoglie(soggettiaderrorianchemacroscopici)efornisceunrisultatoconuncertogradodiverità(oplausibilità).
Nelcasoparticolaresonostatidefinitiiseguenticriteridiwarning
• W1=SeloscostamentotralastimaRNAelamisuraèALTOAlloraWARNING
• W2=SeloscostamentotrailvalorestatisticoelamisuraALTOAlloraWARNING
• A=SeW1EW2AlloraALLARME
IcriteriW1,W2sonostatimodellatiattraversoopportunifuzzysetcheidentificanoinmodosfumatoilgradodiscostamentoiqualisonostaticompostiperottenereilvalorediallarmefinale,ovveroilgradodiplausibilitàdiunconsumoanomalo.Talecriteriogeneraleèstatoapplicatopericonsumielettricidefinendoifuzzysetperl’illuminazione,ilcondizionamentoelaforzaelettromotriceottenendoquindi3tipidiallarmi:Aill,Acon,Afemiqualigeneranounallarmegenericoseunodei3siattiva.OvveroA=SeAillOAconOAfemAlloraALLARME
13
Adesempio,nelcasodell’illuminazione
!
"
#!
#"
$!
$"
# % & #! #' #( #) $$ $" $* '# '% '& %! %' %( %) "$ "" "* (# (% (& &! &' &( &) *$ *" ** )# )% )& #!!#!'#!(#!)##$##"##*#$##$%#$&#'!#''
!"
#$%
+,-., /0-01/0123 456
Fig.5–diagnosticaconsumidiilluminazione
Nellazona1siotterrebbeunallarmecongradocirca0.5(consumoabbastanzaanomalo),nellazona2siotterrebbe un allarme con grado circa 0.8 (consumo fortemente anomalo), mentre nella zona 3 siotterrebbeunallarmecon gradocirca0.1 (consumonormale) inquanto in lineacon i consumiattesidalmodelloneurale(BEM).
2.4. Monitoraggiodell’affluenza
Unadelleinformazionipiùrilevantiper imodellidistimadeiconsumièl’affluenza,ovveroilnumerodellepersonepresumibilmentepresentinell’edificio.Inparticolareilsistemachesioccupadelcontrollodegliedificirichiedediconoscere,adintervalliperiodiciunaseriediinformazionirelativeaduncertonumerodistanzepreselezionatedaunenergymanager.Taliinformazionisono:
1. Rilevazione accessi al centro e relativa elaborazione dati al fine di ricostruire la presenza media(teorica)dipersoneinognistanzaselezionatadedottadaidatideicartellinidiaccesso.
2. Dati provenienti dagli utenti (votazioni di comfort, preferenze di settaggio della climatizzazione,segnalazionidiscomfort,commentidivarianatura).
Queste informazionisonoinseriteall’internodiundatabasepubblicoadaccessoremoto(DPS‐DatabasePresenzediStanza).Presso il centroENEACasacciaèpresente il sistemadi controlloaccessiGEPAVVche registra l’accessodituttiidipendentiaitornellid’ingressoechepresentaidatidiaccessosecondolalogica:• MATRICOLA–Data/oraEntrata• MATRICOLA–Data/oraUscita• MATRICOLA–Data/oraMensa
2.4.1. IlDataBasePresenzediStanza(DPS)
Zona3:0.1Zona2:0.8Zona1:0.5
14
IlsistemacontrolloaccessiutilizzaunDatabaseSqlServer2003sucuimemorizzatutteleinformazioni.Per laraccoltadeidatiprovenientedaidiversisistemi,èstatosviluppatoundatabasepubblicoadaccessoremoto(DatabasePresenzediStanza–DPS)sviluppatocontecnologiaMySQLnelqualeconfluisconoancheidatidiaccesso.In una prima fase sperimentale sono monitorati solamente gli accessi dei dipendenti dell’unità UTTEIallocatinell’edificioF40.NelDPSsonopresentiancheleassociazionimatricola‐edificio‐piano‐stanzaalfinedipermettereaisistemidimonitoraggioecontrollodioperarecorrettamente.
Fig.6–Architetturafunzionalediacquisizioneaccessi
15
Fig.7‐:strutturadeldatabaseDPS
2.4.2. Software
Sonostatesviluppatecomponentisoftwareconleseguentifunzionalità:• InterrogareilsistemadirilevazioneaccessiedinserireleinformazioninelDBDPS;• Raccogliere e gestire tramite interfacce grafiche web dati di comfort ambientale proveniente dagli
utenti(interfacciautente).• GestiretramiteinterfaccegrafichewebdelDBDPS(interfacciasupervisore).• Elaborareidatidiaccesso
16
Fig.8–architetturafunzionaleOgnitipodiinterrogazionescritturadeidatiaccessoèstataimplementatainSQLedinseritanegliappositimodulisoftware.Adesempio,laquerytipoperleggereleinformazionidalDBGepavè:
“select Id, Transito, Matricola, Data, Ora from timbrature”
elaquerytipoperinserireleinformazionisulDBDPSè:
" insert into accessi(matricola,idaccessi,Time,Tipo) values (xxxxx)”
LeinterfacceutenteesupervisoresonostateimplementateinJSPallequalisiaccedepreviaautenticazionelogin/password.
18
Fig.11‐interfacciasupervisoreInfine, è stato sviluppatounmodulo software che elabora i dati di accesso che ad intervalli regolari (es.15min.) per ogni stanza indica il numeromedio di personepresenti nella stanza da cui si può ricavare ilnumeromediodipersonenelpianoenell’edificio.TalesoftwareèstatoimplementatoinlinguaggioJavainmodotaledagarantirelapienaportabilitàsuognitipo di sistema operativo e in modo tale da integrarsi in modo ottimale nella piattaforma globale dimonitoraggioecontrollo(TaskA).
19
3. ANALISISPERIMENTALE
In base al monitoraggio si sono potuti analizzare i dati relativi ai consumi dell’edificio scelto e ladisponibilitàdiundatabasediunmonitoraggioduratounannohapermessodi identificarecriticitàemalfunzionamenti dell’edificio. L’edificio in esame (edificio C59 ubicato nel C.R. ENEA ‘Casaccia’), costruitonegli anni ’80, destinato ad uso ufficio (del settore terziario), è caratterizzato dall’appartenenza ad unaclasseenergeticabassaperilqualesarebbenecessariopredisporreunaefficacemanutenzioneordinaria,inmododaindividuarepertempoguastiemalfunzionamenti.
Taleesperienzahapermessodiconfermare l’esigenzasecondo laqualeunqualsiasiedificiodebbaessere
fornitodiunadeguatosistemadimonitoraggio:inquestomodoattraversol’acquisizionedeidatiintemporeale è possibile individuare immediatamente le eventuali criticità ed intervenire tempestivamente conconseguentenotevolerisparmioenergetico.
Inquestocapitolovengonodescrittil’implementazioneeirisultatidellamodellazioneenergeticaproposta.
La modellazione è basata su Reti Neurali ed Ensembling di Reti Neurali e viene messa a confronto conquella offerta da altri tipi di tecniche (par. 2.2) :modello naive, modello statistico emodello regressivolineare. Le stime effettuate si riferiscono a tre diverse tipologie di consumo: illuminazione, forza
elettromotrice e condizionamento. Per ognuna di queste tipologie sono stati costruiti dei dataset diriferimento contenenti le informazioninecessarieai fini della sperimentazione. Inoltre,è stata effettuatal’analisipreliminaredeidatipermegliocomprenderelecaratteristichedelfenomenoinquestione.
3.1. Analisidati
InFigura12simostral’andamentodelconsumoorarioelettricogenerale(datodaconsumoilluminazione+
consumo forza elettromotrice) dell’edificio “C59” relativo al mese di Settembre 2009. Come eraprevedibile, idatidi consumopresentanounaperiodicità settimanale:perogni settimanasonoevidenti ivaloripiùaltidi consumo, relativiai cinque giorni lavorativi,ed i rimanenti valoripiùbassi relativi invece
alleorenotturneealfinesettimana.
20
Fig.12‐ConsumogeneraleorarionelmeseSettembre2009
In Figura 13 è illustrato l’andamento medio orario di consumo elettrico generale di tutti i giorni dellasettimana nel trimestre Settembre 2009 – Novembre 2009. I giorni lavorativi presentano un profilo di
consumopiuttostosimile, inalcunigiorni (ad esempio, lunedì)piùaltodialtri (ad esempio, venerdì);neiweekendilvalorediconsumoèmoltopiùbassorispettoaquellodelrestodellasettimanaedassumeunvalorepraticamentecostante,pariaquellochesiregistranelleorenotturne.
Fig.13‐Consumogeneraleorariomediodituttiigiornisettimanali(periodoSettembre2009–Novembre2009)
Un altro fattore che influenza fortemente i valori di consumo elettrico nell’edificio è la presenza del
personale.Alivellobibliograficosonobenpochiglistudieleanalisieffettuatesugliedificiadibitiadusodiufficiochecorrelanoilpesodeiconsumielettriciconl’utenzaingenere(personale,addetti).Questolegameinrealtàèdaconsiderareconmaggioreinteresse,vistochelacorrelazioneconsumielettrici‐personalepuò
incidere per circa un terzo sul totale dei consumi elettrici di un edificio del terziario. In Figura 14 ed inFigura 15 simostrano, rispettivamente, l’andamento dell’occupazione del “C59” ed il consumo elettricogenerale:sitrattadiprofiliorarimedirelativiaigiornilavorativineltrimestreSettembre–Novembre2009.
A partire dal livello costante di consumonelle ore notturne (che si aggira attorno ai 12 kW), il valore di
consumogeneraledell’edificio iniziaacrescerenelle primeoremattutinee inmanierasempremaggiorecon l’arrivo del personale. Il valore più alto si verifica in media a metà mattina, quando l’edificio èmaggiormentepopolato.
21
Fig.14‐Occupazioneorariamedia(giornilavorativiSettembre2009‐Novembre2009)
Fig.15‐Consumogeneraleorariomedio(giornilavorativiSettembre2009‐Novembre2009)
In corrispondenza della pausa pranzo il consumo diminuisce per poi aumentare nuovamente nel primopomeriggio. Con la fine del turno lavorativo il valore di consumo decrescemanmano fino ad assestarsi
nuovamentesulvalorediconsumonotturnoquandol’edificioèvuoto.
22
Ilnumerodidipendentinell’edificio“C59”duranteilperiodolavorativovarianormalmentetra45e70.La
relazionetraoccupazioneedomandadienergiaèmostratainFigura16edinFigura17larelazionevieneestesaancheall’oradelgiorno.
Fig.16‐Relazionetraoccupazionedell’edificioeconsumoelettricogenerale
Fig.17‐Relazionetraoradelgiorno,occupazionedell’edificioeconsumoelettricogenerale
23
3.2. Setupsperimentale
L’approccio che vienepropostoper lamodellazione delle tre categorie di consumo elettrico del “C59” èbasatosulleRNA: inparticolare, latipologiadiReteNeuraleutilizzataèquellafeed‐forwardadunostrato
nascosto,conunnumerodiinputparialnumerodellevariabiliconsideratedivoltainvoltainingresso,ununico output che rappresenta la stimadi consumo energetico, e 10neuroni interni. Le simulazioni sonostate eseguite in ambiente MATLAB (R2010a) sfruttando le function messe a disposizione dal Neural
NetworksToolbox(versione6.0.4)(Figura18).Lefunzionidiattivazioneperillivellonascostoeperillivellodiuscitasonoquelledidefault,tangenteiperbolica(tansig)elineare(purelin)rispettivamente.
Fig.18‐Esempiodiutilizzodell'nntraintooldiMatlabperiltrainingdelleRNA
Anche l’algoritmo di training è quello di default (Levenberg‐Marquardt) e così pure i parametri che locaratterizzano (µ iniziale 0.001, µmassimo 1010, criterio di stop al raggiungimento di 1000 epoche), ad
eccezionedellasuddivisionedeidatidi inputedioutput,cheèstatacosìfissata:90%per il training,10%perlavalidazione.Sebbenel’algoritmoLevenberg‐Marquardtpossarichiederegrandiquantitàdimemoria(inconveniente a cui è possibile rimediare tramite alcuni accorgimenti che tuttavia fanno crescere il suo
tempod'esecuzione),essoèilmetodopiùvelocepresenteneltoolbox. Imetodiadaltaprestazionecomequesto possono convergere da dieci a cento volte più velocemente degli algoritmi di backpropagationclassici.IlLevenberg‐Marquardtrientranellacategoriadeglialgoritmiditraning"veloci"grazieall'utilizzodi
una tecnica di ottimizzazione numerica standard, applicabile in virtù del fatto che la funzione di
24
performance è quadratica (caratteristica tipica del training delle reti feed‐forward): in pratica il calcolo
dell'Hessiano(contenentelederivateparzialisecondedeglierrori),necessarioperl'aggiornamentodeipesie dei bias, viene approssimato in una forma in cui basta calcolare semplicemente lo Jacobiano (checontiene le derivate prime degli errori). Per ogni test effettuato, caratterizzato da un particolare set di
input,sonostaterealizzate10prove(trainingetesting)conleRNAappenadescritte.Nellasecondapartedella modellazione energetica proposta le prestazioni delle RNA vengono valutate come Ensemble. LatecnicadiEnsembleutilizzataèquellapiùsemplice, laBEM,che,comedescrittonelCapitoloprecedente,
effettua una media aritmetica degli output delle RNA. In particolare, in questo caso i calcoli relativiall’Ensemblesonostatisvolti,perognisetdi inputconsiderato,apartiredallacombinazionedeglioutputdelle10RNA.
I criteri adoperati per confrontare le prestazioni dei modelli sono l’errore medio assoluto (MAE, mean
absoluteerror)el’erroremassimoassoluto(MAX,maximumabsoluteerror).Informule:
1
1ˆ
N
i i
i
MAE y yN =
= !"
{ }1
ˆmaxN
i i iMAX y y
== !
dove:
• iy :consumoelettricorealeall’orai;
• ˆiy :consumoelettricostimatoall’orai;
• ˆi iy y! : valore assoluto della differenza tra consumo elettrico reale e consumo
elettricostimatoall’orai(erroredistimaassoluto);
• N:numerodeicampionioraridiconsumo.
Infine,sisottolineacheladinamicadell’edificio(ivaloridiconsumostesso)nonvieneconsideratatraidati
utilizzatiininput:ciòpermettedivalutaresial’influenzadegliaspetticonnessiall’utenza,sial’influenzadeifattoriclimaticisull’andamentodeiconsumielettrici.
3.3. Illuminazione
Laprimatipologiadiconsumosucuisieffettualasperimentazioneèquellarelativaall’illuminazione.Idatisiriferisconoadunperiododi3mesichevadamartedì1Settembre2009alunedì30Novembre2009,per
untotaledi13settimane(91giorni,quindi2184campioniorari).Ildatasettrimestraleèstatosuddivisoindueparti:laprimaconsistein10settimaneedèstatautilizzataperlacalibrazione(training)deimodelli,laseconda,formatadallerestanti3settimane(preseunaperognimese),è laparteditestingutilizzataper
valutarne leperformance.Al terminedella fasedi testingsiottengonoperciò le stimeorariedi consumodovuto all’illuminazione riferite a queste 3 settimane. In Tabella 4.1 sono elencati i diversi tipi di testeffettuaticonRNAeBEM,ognunodeiqualiècaratterizzatodaundiversosetdiinput.Inparticolare,conil
termine“idgiorno”siindicaunnumero(da1a7)cheidentificailgiornodellasettimana,mentreper“flag”siintendeunnumero(1o0)chedistingueigiorniferialidaifestivi.Metàdegliesperimentièstatacondotta
25
considerandotuttiigiornineltrimestrediriferimento,l’altrametàinvecetenendocontodeidatirelativiai
soligiornilavorativi.
Test Numerodiinput Variabiliininput
TestA 8mese, giorno, ora, id giorno, flag, affluenza, radiazione
globale,temperaturaesterna
TestB 7mese, giorno, ora, id giorno, flag, radiazione globale,
temperaturaesterna
TestC 4 flag,affluenza,radiazioneglobale,temperaturaesterna
TestD 9mese, giorno, ora, id giorno, flag, affluenza, radiazione
globale,temperaturaesterna,oratramonto
TestE 4 mese,giorno,ora,idgiorno(sololavorativi)
TestF 5 mese,giorno,ora,idgiorno,affluenza(sololavorativi)
TestG 8mese, giorno, ora, id giorno, affluenza, radiazione globale,
temperaturaesterna,oratramonto(sololavorativi)
TestH 7mese, giorno, ora, id giorno, affluenza, radiazione globale,
temperaturaesterna(sololavorativi)
Tab.1‐Testeffettuaticonsumoilluminazione
LeTabellecheseguonoillustranoirisultatiottenuticonidiversimodellineltraining(Tabella2eTabella3)
eneltesting(Tabella4eTabella5).Inparticolare,perquantoriguardaleRNA,vengonoriportati:
• valoremediodeiMAErelativialle10provediognitesteffettuatoetraparentesilacorrispondentedeviazionestandard(misuradelladispersionedeidatiattornoalvaloremedio);
• ilpiùgrandedeiMAXrelativialle10provediognitesteffettuato.
Test NAIVE REGRLIN STAT RNA BEM
TestA 2.60 1.45 1.25 1.02(±0.13) 0.88
TestB 2.60 1.45 1.25 1.06(±0.14) 0.93
TestC 2.60 1.45 1.25 1.35(±0.02) 1.34
TestD 2.60 1.45 1.25 0.98(±0.10) 0.85
TestE 2.87 1.54 1.22 1.10(±0.05) 1.01
TestF 2.87 1.54 1.22 1.11(±0.06) 1.00
TestG 2.87 1.54 1.22 1.02(±0.08) 0.89
TestH 2.87 1.54 1.22 1.05(±0.11) 0.94
Tab.2‐Risultatitrainingconsumoilluminazione:MAE(kW)
26
Test NAIVE REGRLIN STAT RNA BEM
TestA 18.23 7.47 5.48 6.49 4.61
TestB 18.23 7.47 5.48 5.61 4.20
TestC 18.23 7.47 5.48 7.45 7.30
TestD 18.23 7.47 5.48 6.03 4.45
TestE 18.23 7.47 5.48 5.21 4.11
TestF 18.23 7.47 5.48 5.21 4.24
TestG 18.23 7.47 5.48 5.70 4.57
TestH 18.23 7.47 5.48 6.21 4.35
Tab.3‐Risultatitrainingconsumoilluminazione:MAX(kW)
Test NAIVE REGRLIN STAT RNA BEM
TestA 2.32 1.28 1.04 1.30(±0.13) 1.04
TestB 2.32 1.28 1.04 1.45(±0.23) 1.17
TestC 2.32 1.28 1.04 1.28(±0.04) 1.26
TestD 2.32 1.28 1.04 1.54(±0.37) 1.13
TestE 2.95 1.37 0.97 1.37(±0.18) 1.14
TestF 2.95 1.37 0.97 1.30(±0.13) 1.10
TestG 2.95 1.37 0.97 1.32(±0.20) 0.98
TestH 2.95 1.37 0.97 1.22(±0.10) 0.95
Tab.4‐Risultatitestingconsumoilluminazione:MAE(kW)
Test NAIVE REGRLIN STAT RNA BEM
TestA 4.90 5.60 4.74 5.73 4.38
TestB 4.90 5.60 4.74 8.02 5.17
TestC 4.90 5.60 4.74 6.48 5.62
TestD 4.90 5.60 4.74 10.69 4.48
TestE 4.90 5.60 4.74 6.73 4.85
TestF 4.90 5.60 4.74 6.84 5.23
TestG 4.90 5.60 4.74 6.89 4.20
TestH 4.90 5.60 4.74 5.53 4.02
Tab.5‐Risultatitestingconsumoilluminazione:MAX(kW)
27
Come previsto, tutti imodelli proposti presentano risultatimigliori rispetto almodello Naive. Ilmodello
Regressivo Lineare, essendo fortemente influenzato dall’occupazione dell’edificio, presenta prestazionimigliori,sianeltrainingchenel testing,quandosifa riferimentoatutti i giornidellasettimana.SiosservicomeneltestingperimodelliStatistico,RNAeBEMsiottenganorisultatimiglioriconsiderandoingenerale
isoligiornilavorativi.E’interessantenotarecomeilverovaloreaggiuntodelleRetiNeuralisiabbiaquandolesicombinainEnsembling. IlrisultatoglobalmentemigliorelosiottieneinfattiproprioattraversoquestametodologiaconlaconfigurazioneH(MAE=0.95kW,Tabella4).InFigura19siillustralastimadiconsumo
corrispondente proprio al miglior risultato offerto dal BEM, confrontato con i valori reali di consumoelettrico. Nelle Figure successive si estende questo confronto anche alle stime di consumo deimodelliStatisticoeRegressivoLineare.SiosservacomeilmodelloStatistico(Figura20)seguamegliol’andamento
delconsumorealerispettoalmodelloRegressivoLineare(Figura21),aconfermadelvaloredierroreMAEinferiore(Tabella4).DatuttequesteFiguresipuòosservarecome l’Ensemblingneuraleriescaaseguire ipicchimoltomegliorispettoaqualsiasialtromodello.
Fig.19‐Comparazionerisultatiilluminazione:consumorealeemigliorstimadiconsumoottenutatramiteBEM
28
Fig.20‐Comparazionerisultatiilluminazione:consumoreale,modellostatisticoeBEM
Fig.21‐Comparazionerisultatiilluminazione:consumoreale,modelloregressivolineareeBEM
3.4. Forzaelettromotrice
29
I dati che vengono utilizzati si riferiscono alla stesso trimestre Settembre – Novembre 2009 cui fanno
riferimentoidatinelcasodell’illuminazione.Ancheiltipodisuddivisionedeldatasetperlafaseditrainingeperquelladitestingè identico. InTabella6sonoelencati idiversitipiditesteffettuaticonRNAeBEM,ognuno dei quali è caratterizzato da un diverso set di input. Gli esperimenti sono stati condotti
considerandotuttiigiornineltrimestrediriferimento.
TestNumero
diinputVariabiliininput
TestA 11mese,giorno,ora,idgiorno,flag,affluenza,radiazionediffusa,radiazione
diretta,radiazioneglobale,temperaturaesterna,oratramonto
TestB 6 mese,giorno,ora,idgiorno,flag,affluenza
TestC 1 affluenza
TestD 9mese,ora,flag,affluenza,radiazionediffusa,radiazionediretta,radiazione
globale,temperaturaesterna,oratramonto
TestE 10mese,giorno,ora,idgiorno,flag,radiazionediffusa,radiazionediretta,
radiazioneglobale,temperaturaesterna,oratramonto
Tab.6‐Testeffettuaticonsumoforzaelettromotrice
LeTabellecheseguonoillustranoirisultatiottenuticonidiversimodellineltraining(Tabella7eTabella8)eneltesting(Tabella9eTabella10).
Test NAIVE REGRLIN STAT RNA BEM
TestA 2.09 1.60 1.45 1.01(±0.18) 0.80
TestB 2.09 1.60 1.45 0.90(±0.10) 0.76
TestC 2.09 1.60 1.45 1.51(±0.02) 1.49
TestD 2.09 1.60 1.45 1.03(±0.10) 0.87
TestE 2.09 1.60 1.45 1.16(±0.12) 0.88
Tab.7‐Risultatitrainingconsumoforzaelettromotrice:MAE(kW)
Test NAIVE REGRLIN STAT RNA BEM
TestA 34.59 30.00 31.30 31.96 28.42
TestB 34.59 30.00 31.30 31.51 28.14
TestC 34.59 30.00 31.30 32.35 31.79
TestD 34.59 30.00 31.30 30.35 29.14
TestE 34.59 30.00 31.30 32.07 30.17
Tab.8‐Risultatitrainingconsumoforzaelettromotrice:MAX(kW)
Test NAIVE REGRLIN STAT RNA BEM
30
TestA 1.51 1.17 1.38 1.01(±0.21) 0.68
TestB 1.51 1.17 1.38 1.01(±0.24) 0.80
TestC 1.51 1.17 1.38 1.26(±0.14) 1.25
TestD 1.51 1.17 1.38 1.02(±0.10) 0.74
TestE 1.51 1.17 1.38 1.16(±0.13) 0.79
Tab.9‐Risultatitestingconsumoforzaelettromotrice:MAE(kW)
Test NAIVE REGRLIN STAT RNA BEM
TestA 12.40 6.50 7.50 8.15 4.49
TestB 12.40 6.50 7.50 8.88 4.07
TestC 12.40 6.50 7.50 11.94 7.95
TestD 12.40 6.50 7.50 10.39 5.57
TestE 12.40 6.50 7.50 12.34 5.19
Tab.10‐Risultatitestingconsumoforzaelettromotrice:MAX(kW)
Inquestocasolabontàdeirisultatidistimaottenutihafattosìchenonsiandasseallaricercadiulterioriset di input che portassero a dei risultati migliori (ad esempio, considerando solo i giorni lavorativi nel
periododiriferimento,etc.). Ilconsumoelettricorelativoallaforzaelettromotriceèrisultatoessere ilpiùfacilmente “modellabile”, probabilmente perché è quello più fortemente influenzato dalla presenza delpersonale in ufficio. Ciò è anche testimoniato dai dati di errore MAE di testing in Tabella 9: il modello
regressivolineare,chepraticamentemodellailconsumosullabasedeldatodiaffluenza,presentaunMAEpiù basso di quello del modello statistico (nel caso dell’illuminazione avveniva il contrario). Il risultatoglobalmente migliore lo si ottiene anche in questo caso attraverso l’Ensemble di Reti Neurali con la
configurazione A (MAE = 0.68 kW, Tabella 9). In Figura 22 si illustra la stimadi consumo corrispondenteproprioalmigliorrisultatooffertodalBEM,confrontatoconivalorirealidiconsumoelettrico.InFigura23siestendequestoconfrontoancheallastimadiconsumodelmodellostatistico.Anchequi,comenelcaso
dell’illuminazione, si puòosservare come l’EnsemblingNeurale riesca a seguire i picchi del segnale realemoltomegliorispettoalmodellostatistico.
31
Fig.22‐Comparazionerisultatifem:consumorealeemigliorstimadiconsumoottenutatramiteBEM
Fig.23‐Comparazionerisultatifem:consumoreale,modellostatisticoeBEM
32
3.5. Condizionamento
Il condizionamento, nonostante risulti per sua natura un fabbisogno di tipo termico, viene solitamenteassociato ad assorbimenti elettrici convenzionali in quanto lemacchinedelegate a questa funzione sono
generalmentealimentatedafonteelettrica.Lasperimentazionesulconsumorelativoalcondizionamentoèstataeffettuatasuunlassoditempocaratterizzatodaclimaestivo,inparticolarecompresotravenerdì19Giugno 2009 e lunedì 31 Agosto 2009, per un totale di circa 10 settimane. Anche qui il dataset è stato
suddivisoindueparti:laprima,consistenteincirca8settimane,perlacalibrazione(training)deimodelli;laseconda,formatadallerimanenti2settimane(unaaLuglioeunaadAgosto),per iltestingdeimodelli. InTabella11sonoelencatiidiversitipiditesteffettuaticonRNAeBEM,ognunocaratterizzatodaundiverso
set di input. In particolare, la dicitura “(‐1)” o “(‐2)” accanto alle variabili di input indica che sono staticonsideraticomeinputilvaloredellavariabilecorrispondenteall’orainesameequelloaun’oraoadueoreprima. Nel Test L, la dicitura “valori di consumo traslati di 3 ore” indica che il test è stato effettuato
traslandotuttiidaticonsumotreore inavantirispettoaidatiin input.Gliesperimentisonostaticondotticonsiderandotutti igiorninelperiododiriferimento,adeccezionedelTestMincuisitienecontodeidati
relativiaisoligiornilavorativi.
TestNumero
diinputVariabiliininput
TestA 10mese,giorno,ora,idgiorno,flag,affluenza,radiazionediffusa,radiazione
diretta,radiazioneglobale,temperaturaesterna
TestB 9mese,giorno,ora,idgiorno,affluenza,radiazionediffusa,radiazionediretta,
radiazioneglobale,temperaturaesterna
TestC 7mese,ora,affluenza,radiazionediffusa,radiazionediretta,radiazioneglobale,
temperaturaesterna
TestD 7 mese,giorno,ora,idgiorno,affluenza,radiazionediretta,temperaturaesterna
TestE 6 mese,giorno,ora,idgiorno,affluenza,temperaturaesterna
TestF 5affluenza,radiazionediffusa,radiazionediretta,radiazioneglobale,
temperaturaesterna
TestG 3 affluenza,radiazionediretta,temperaturaesterna
TestH 10mese,giorno,ora,idgiorno,affluenza,radiazionediffusa,radiazionediretta,
radiazioneglobale,temperaturaesterna(‐1),temperaturaesterna
TestI 11
mese,giorno,ora,idgiorno,affluenza,radiazionediffusa,radiazionediretta,
radiazioneglobale,temperaturaesterna(‐2),temperaturaesterna(‐1),
temperaturaesterna
TestL 9mese,giorno,ora,idgiorno,affluenza,radiazionediffusa,radiazionediretta,
radiazioneglobale,temperaturaesterna(valoridiconsumotraslatidi3ore)
33
TestM 3 affluenza,radiazionediretta,temperaturaesterna(sololavorativi)
TestN 3 temperaturaesterna(‐2),temperaturaesterna(‐1),temperaturaesterna
TestO 9mese,giorno,ora,idgiorno,affluenza,radiazionediretta,temperaturaesterna,
consumoilluminazione,consumoprese
TestP 5temperaturaesterna(‐2),temperaturaesterna(‐1),temperaturaesterna,
consumoilluminazione,consumoprese
TestQ 8
radiazionediretta(‐2),radiazionediretta(‐1),radiazionediretta,temperatura
esterna(‐2),temperaturaesterna(‐1),temperaturaesterna,consumo
illuminazione,consumoprese
Tab.11‐Testeffettuaticonsumocondizionamento
LeTabellecheseguonoillustranoirisultatiottenuticonidiversimodellineltraining(Tabella12eTabella
13)eneltesting(Tabella14eTabella15).
Test NAIVE REGRLIN STAT RNA BEM
TestA 6.70 4.32 4.70 1.78(±0.45) 1.32
TestB 6.70 4.32 4.70 1.99(±0.33) 1.57
TestC 6.70 4.32 4.70 2.61(±0.22) 2.35
TestD 6.70 4.32 4.70 1.98(±0.36) 1.60
TestE 6.70 4.32 4.70 1.87(±0.31) 1.51
TestF 6.70 4.32 4.70 3.62(±0.11) 3.51
TestG 6.70 4.32 4.70 3.73(±0.05) 3.67
TestH 6.70 4.32 4.70 1.93(±0.46) 1.57
TestI 6.70 4.32 4.70 1.92(±0.52) 1.51
TestL 6.70 4.32 4.70 2.03(±0.52) 1.60
TestM 6.79 4.37 4.47 3.61(±0.10) 3.53
TestN 6.70 4.32 4.70 3.86(±0.20) 3.72
TestO 6.70 4.32 4.70 1.89(±0.42) 1.48
TestP 6.70 4.32 4.70 3.71(±0.36) 3.46
TestQ 6.70 4.32 4.70 3.38(±0.13) 3.17
Tab.12‐Risultatitrainingconsumocondizionamento:MAE(kW)
34
Test NAIVE REGRLIN STAT RNA BEM
TestA 26.40 24.00 21.90 17.30 9.07
TestB 26.40 24.00 21.90 18.16 11.43
TestC 26.40 24.00 21.90 18.24 17.36
TestD 26.40 24.00 21.90 19.78 13.70
TestE 26.40 24.00 21.90 17.10 12.30
TestF 26.40 24.00 21.90 24.46 22.41
TestG 26.40 24.00 21.90 23.18 22.33
TestH 26.40 24.00 21.90 20.09 10.99
TestI 26.40 24.00 21.90 19.53 10.94
TestL 26.40 24.00 21.90 22.68 17.21
TestM 26.40 24.00 21.90 22.18 21.46
TestN 26.40 24.00 21.90 24.19 23.21
TestO 26.40 24.00 21.90 16.20 10.21
TestP 26.40 24.00 21.90 24.49 20.38
TestQ 26.40 24.00 21.90 23.65 19.87
Tab.13‐Risultatitrainingconsumocondizionamento:MAX(kW)
Test NAIVE REGRLIN STAT RNA BEM
TestA 4.76 3.78 4.06 4.00(±0.55) 3.20
TestB 4.76 3.78 4.06 3.45(±0.34) 2.95
TestC 4.76 3.78 4.06 3.28(±0.16) 3.09
TestD 4.76 3.78 4.06 3.59(±0.37) 3.10
TestE 4.76 3.78 4.06 3.92(±0.37) 3.11
TestF 4.76 3.78 4.06 3.23(±0.11) 3.12
TestG 4.76 3.78 4.06 3.26(±0.07) 3.18
TestH 4.76 3.78 4.06 3.70(±0.24) 3.30
TestI 4.76 3.78 4.06 3.63(±0.50) 3.26
TestL 4.76 3.78 4.06 3.65(±0.42) 3.03
TestM 3.05 4.53 4.73 3.89(±0.21) 3.85
TestN 4.76 3.78 4.06 3.45(±0.16) 3.30
TestO 4.76 3.78 4.06 3.81(±0.55) 3.31
TestP 4.76 3.78 4.06 3.45(±0.12) 3.21
TestQ 4.76 3.78 4.06 3.30(±0.16) 3.10
Tab.14‐Risultatitestingconsumocondizionamento:MAE(kW)
35
Test NAIVE REGRLIN STAT RNA BEM
TestA 14.84 12.00 13.00 17.27 9.11
TestB 14.84 12.00 13.00 15.55 8.69
TestC 14.84 12.00 13.00 13.07 10.40
TestD 14.84 12.00 13.00 17.54 9.30
TestE 14.84 12.00 13.00 22.81 12.14
TestF 14.84 12.00 13.00 11.09 10.34
TestG 14.84 12.00 13.00 11.44 10.67
TestH 14.84 12.00 13.00 17.17 10.25
TestI 14.84 12.00 13.00 15.83 9.82
TestL 14.84 12.00 13.00 16.22 11.14
TestM 9.52 13.60 13.00 13.98 10.35
TestN 14.84 12.00 13.00 12.84 11.94
TestO 14.84 12.00 13.00 18.67 10.53
TestP 14.84 12.00 13.00 16.75 11.29
TestQ 14.84 12.00 13.00 19.43 10.69
Tab.15‐Risultatitestingconsumocondizionamento:MAX(kW)
Come è evidente dalle Tabelle, il numero di Test effettuati nel caso del consumo relativo alcondizionamentoèmoltomaggiorediquellodelleduetipologiediconsumoprecedenti:sonostatetentatediversecombinazionidiinputalfinediriuscireaottenerevaloridierrorepiùbassipossibile.Irisultatifinali
tuttavia sono piuttosto lontani da quelli ottenuti per illuminazione e forza elettromotrice: il risultatoglobalmente migliore lo si ottiene anche in questo caso attraverso l’Ensemble di Reti Neurali con laconfigurazioneB,maconunMAEparia2.95kW(Tabella14),adifferenzadelMAEdi illuminazione,0.95
kW,edelMAEdiforzaelettromotrice,0.68kW.Ilconsumoelettricorelativoalcondizionamentoèrisultatoil più complesso da modellare, probabilmente perché è il più soggetto all’“arbitrio” umano. Ciò èconfermatodaivaloridierrorepiuttostoelevatiottenutidatutti imodelli. Inoltre,unaltrofattoreche in
questo caso è da considerare è l’inerzia dell’edificio. Dal grafico di Figura 24 si vede molto bene losfasamentodelconsumodiclimatizzazionerispettoatuttelealtrevariabiliproprioacausadell’inerzia. Inqueste condizioni si commette un errore di stima proprio dovuto allo sfasamento (errore che verrebbe
rilevatocomeallarmediagnosticoquandoinvecenondovrebbe).Pertenercontodiquestiaspettidinamici,come abbiamo visto in alcuni test sono stati utilizzati in input i valori delle varie variabili (temperatura,radiazionediretta,radiazioneglobale)finoadueoreprimadall’oraconsiderata(vediTestH,TestI,TestL,
Test N, Test P e Test Q), tuttavia l’errore di stima commesso non è diminuito. Per questa particolaretipologia di consumo un input che molto probabilmente sarebbe stato determinante nel calcolo di unastima energetica accurata è la temperatura interna dell’edificio, di cui purtroppo non è stato possibile
disporrecomedato.
36
Fig.24‐ConsumocondizionamentorelativoaunasettimanadiAgosto2009contemperaturaesterna,radiazionedirettaeradiazioneglobalecorrispondenti
InFigura25siillustralastimadiconsumocorrispondentealmigliorrisultatooffertodalBEM,confrontato
con i valori reali di consumo elettrico. In Figura 26 si estende questo confronto anche alla stima diconsumo del modello statistico. A differenza delle due tipologie di consumo precedenti, l’EnsemblingNeurale presenta in questo caso maggiori difficoltà nell’inseguimento dei picchi del segnale reale di
consumomalesueprestazionirestanocomunquemiglioridiquelledelmodellostatistico.
37
Fig.25‐Comparazionerisultaticondizionamento:consumorealeemigliorstimadiconsumoottenutatramiteBEM
Fig.26‐Comparazionerisultaticondizionamento:consumoreale,modellostatisticoeBEM(ens)
38
3.6. Riepilogo
InTabella16si riportano,per ogni tipologiadi consumo, i setdi input chepermettonoall’EnsemblingdiRetiNeuralidiottenerelemiglioriprestazioninellastima,conirelativirisultatideltrainingedeltesting.
Tipologia
Consumo
Variabiliin
inputRNA BEM
TRAIN TEST TRAIN TEST
MAE MAX MAE MAX MAE MAX MAE MAX
Illuminazione
mese,giorno,
ora,idgiorno,
affl.,rad.
globale,temp.
esterna(solo
lavorativi)
1.05
(±0.11)6.21
1.22
(±0.10)5.53 0.94 4.35 0.95 4.02
FEM
mese,giorno,
ora,idgiorno,
flag,affl.,rad.
diffusa,rad.
diretta,rad.
globale,temp.
esterna,ora
tramonto
1.01
(±0.18)31.96
1.01
(±0.21)8.15 0.80 28.42 0.68 4.49
Condizionamento
mese,giorno,
ora,idgiorno,
affl.,rad.
diffusa,rad.
diretta,rad.
globale,temp.
esterna
1.99
(±0.33)18.16
3.45
(±0.34)15.55 1.57 11.43 2.95 8.69
Tab.16‐RisultatimiglioriottenuticonRNAeBEMperognitipologiadiconsumo(kW)
39
4. CONCLUSIONIESVILUPPIFUTURI
Inquestorapportoabbiamopresentatounapproccioinnovativoper lamodellazionedeiconsumielettrici(illuminazione, climatizzazione, forza elettromotrice) in modo tale da correlarli con dati misurati (es.occupazione e dati climatici) con il fine di effettuare una diagnostica dei consumi più accurata. Inparticolare l’approccio che abbiamo proposto si basa sull’ensembling di reti neurali e lo abbiamocomparato con gli approcci comunemente usati nel settore. La sperimentazione ha riguardato lamodellazione dei consumi elettrici di un edificio complesso del settore terziario ed i risultati hannomostrato come l’approccio proposto sia sensibilmente più preciso rispetto a metodi tradizionalmenteutilizzatiditipostatisticononadattivo.Nella seguente tabella vengono riportati come risultati sintetici della sperimentazione gli errori mediassolutiaconfrontoedilrelativoguadagnodiaccuratezza.
Metodostatistico(nonadattivo)
Ensemblingneurale Guadagnorelativo
Illuminazione 0.97 0.95 2%f.e.m. 1.38 0.68 51%
condizionamento 3.78 2.95 22%
media 2.04 1.53 25%Tabella17:sintesiaccuratezzamodelli(errorimediassolutiinkW)
Inoltre,èstatadefinitaladiagnosticadeiconsumianomalidelsingoloedificiobasatasulconfrontotradatomisuratoedatoattesostimatodaimodellisviluppati.E’statosviluppatoed implementato ilsistemasoftwareper l’acquisizionee l’elaborazionedegliaccessialcentro,elementofondamentaleperpotereffettuareunamodellazioneaccuratadeiconsumienergetici.Comesviluppi futuri,daunpuntodivistametodologico èpossibile raffinare lamodellazionecercandodicomporre idiversimodelli inmodoopportuno inmodotaledaarrivareadunmodello ibridocheriescaacoglieregliaspettimigliorideisingolimodelli.Dalpuntodivistasperimentale,pensiamoditestare imetodipropostianchesualtriedificidelC.R.ENEACasaccia(F40)ediestenderelemetodologiepropostealcasodiretidiedifici.Infine, parte di tale lavoro è stato anchepubblicato e presentato alCONGRESSONAZIONALE AICA2011(http://congressoaica2011.polito.it/)AnnunziatoM.,LauroF.,MorettiF.,PizzutiS."ModellazionediconsumielettriciattraversoEnsemblingdiretineurali".
40
Bibliografia
K.A.Baumert,T.Herzog, J.Pershing.Navigating theNumbersGreenhouseGasDataand InternationalClimatePolicy.WorldResourcesInstitute,2005.
United Nations Environment Programme, Buildings Can Play Key Role In Combating Climate Change,2007.http://www.unep.org/Documents.Multilingual/Default.asp?DocumentID=502&ArticleID=5545&l=en.
IEA(InternationalEnergyAgency).Electricity/HeatDataforIEAEurope.2008.
L. Pedersen. Use of different methodologies for thermal load and energy estimations in buildingsincludingmeteorological and sociological input parameters. Renewable and Sustainable Energy Reviews,Elsevier11(2007)998‐1007.
M.Aydinalp,V.I.UgursaleA.S.Fung.Modellingofresidentialenergyconsumptionatthenationallevel.InternationalJournalofEnergyResearch27(2003)441‐453.
A. Rabl e A. Rialhe. Energy signature models for commercial buildings: test with measured data andinterpretation.EnergyandBuildings,Elsevier19(1992)143‐154.
M.Caldera,S.P.CorgnatieM.Filippi.Energydemandforspaceheatingtroughastatisticalapproach:applicationtoresidentialbuildings.EnergyandBuildings,Elsevier40(2008)1972–1983.
H.Farahbakhsh,V.I.UgursaleA.S.Fung.Aresidentialend‐useenergyconsumptionmodelforCanada.InternationalJournalofEnergyResearch22(1998)1133‐1143.
C. P. Bowers, T. Schnier, J. Wright e M. De Felice. Evolving a dynamic building thermal model usingenergyconsumptiondata.BuildingandEnvironment(2010).
J.F.KreidereX.A.Wang.Artificialneuralnetworksdemonstrationsforautomatedgenerationofenergyusepredictorsforcommercialbuildings.ASHRAETransactions97(1)(1992)775–779.
J. F. Kreider e X. A. Wang. Improved artificial neural networks for commercial building energy useprediction.SolarEngineeringASM1(1992)361–366.
M. Anstett e J. F. Kreider. Application of neural networking models to predict energy use. ASHRAETransactions99(1)(1993)505–517.
41
R. Dodier e G. Henze. Statistical analysis of neural network as applied to building energy prediction.ProceedingsoftheASMEISEC,SanAntonio,TX(1996)495–506.
G. K. F. Tso e K. K. W. Yau. Predicting electricity energy consumption: a comparison of regressionanalysis,decisiontreeandneuralnetworks.Energy,Elsevier32(2007)1761‐1768.
S.L.Wong,K.K.W.WaneT.N.T.Lam.Artificialneuralnetworksforenergyanalysisofofficebuildingswithdaylighting.AppliedEnergy,Elsevier87(2010)551‐557.
E. Jadraque Gago, J. Ordonez Garcia e A. Espin Estrella. Development of an energy model for theresidential sector: electricity consumption in Andalusia, Spain. Energy and Buildings, Elsevier 43 (2011)1315‐1321.
L.G.Swan,V. I.Ugursal e I.Beausoleil‐Morrison.Occupant relatedhousehold energyconsumption inCanada:estimationusingabottom‐upneuralnetworktechnique.EnergyandBuildings,Elsevier43(2011)326‐337.
E. Azar e C. Menassa. A conceptual framework to energy estimation in buildings using agent basedmodeling.Proceedingsofthe2010WinterSimulationConference.
M. A. Arbib. The Handbook of Brain Theory and Neural Networks. The MIT Press, Cambridge (MA)(1995).
S.Haykin.NeuralNetworks,acomprehensivefoundation(2ndedition).PrenticeHall,NewJersey(1999).
W.S.McCulloch,W.Pitts.ALogicalCalculusofIdeasImmanent inNervousActivity.Bull.MathematicalBiophysics5(1943)115‐133.
R.Rosenblatt.PrinciplesofNeurodynamics.SpartanBooks,NewYork(1962).
D. E. Rumelhart, J. L.McClelland. ParallelDistributedProcessing: Exploration in theMicrostructure ofCognition.MITPress,Cambridge,Mass(1986).
M.T.Hagan,H.B.Demuth,M.Beale.NeuralNetworkdesign.(1996).
A.K.Jain,J.Mao,K.M.Mohiuddin.ArtificialNeuralNetworks:ATutorial.Computer,vol.29no.3(1996)31‐44.
L.Breiman.Baggingpredictors.MachineLearning,24(1996)123‐140.
42
G.ValentinieF.Masulli.Ensemblesoflearningmachines.InR.TagliaferrieM.Marinaro,editors,NeuralNetsWirn Vietri‐02, LNCS 2486 (2002) 3 ‐ 19 Heidelberg (Germany). Series Lecture Notes in ComputerSciences,Springer‐Verlag.
M.P.PerroneeL.N.Cooper.Whennetworksdisagree:ensemblemethodsforhybridneuralnetworks.NeuralNetworksforSpeechandImageProcessingbyR.J.Mammone,ed.Chapman‐Hall(1993).
RosenB.E.Ensemblelearningusingdecorrelatedneuralnetworks.ConnectionScience,8,3–4(1996)373–384.
R.KohavieE.Bauer.Anempiricalcomparisonofvotingclassificationalgorithms:Bagging,boostingandvariants.MachineLearning,36(1999)105–142.
Z. Baratcouglu e E. Alpaydin. A comparison of model aggregation methods for regression. In OkyayKaynak,EthemAlpaydin,ErkkiOjaeLeiXu,ed., ICANN,LectureNotesinComputerScience,Springer2714(2003)76‐83.
H. Drucker. Improving regressors using boosting techniques. In Douglas H. Fisher, ed., ICML,MorganKaufmann(1997)107‐115.
R.AvnimelecheN.Intrator.Boostingregressionestimators.NeuralComputation,11(1999)491–513.
M.Krarti.EnergyAuditofBuildingSystems:AnEngineeringApproach(2ndedition).CRCPress,Taylor&FrancisGroup(2011).
B.Kosko:Neuralnetworksandfuzzysystems.Prentice‐Hall,EnglewoodCliffs(NJ)(1992).
H.J.Zimmerman:Fuzzysettheory.KluwerAcademic,Boston(1991).