Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis

Sintesi Tecnica: Verso l'efficienza energetica: previsione della temperatura interna tramite analisi multivariata

Problematica
Il documento affronta la sfida di migliorare l'efficienza energetica negli edifici residenziali, prendendo in esame specificamente i sistemi di riscaldamento, ventilazione e condizionamento dell'aria (HVAC), che costituiscono una parte significativa del consumo energetico residenziale (53,89% nella casa SMLsystem studiata). Il problema centrale è la necessità di prevedere con precisione la temperatura interna per consentire un controllo proattivo dell'HVAC. Gli autori osservano che mantenere una temperatura è più efficiente dal punto di vista energetico rispetto al raffreddarla o riscaldarla da uno stato diverso a causa dell'inerzia termica. Pertanto, la previsione delle temperature interne future consente al sistema di automazione dell'edificio di anticipare le condizioni termiche e regolare le operazioni HVAC (ad esempio, attivando una pompa di calore) per mantenere il comfort minimizzando al contempo l'uso di energia. Lo studio si concentra sulla "Small Medium Large System" (SMLsystem), una casa prototipo a energia solare costruita per la competizione Solar Decathlon Europe 2012.

Metodologia
La ricerca impiega un approccio di previsione di serie temporali multivariate utilizzando Reti Neurali Artificiali (ANN) e le confronta con i metodi statistici standard.

• Acquisizione e pre-elaborazione dei dati: I dati sono stati raccolti dalla casa SMLsystem utilizzando un framework di monitoraggio basato su KNX con 88 sensori e 49 attuatori. I dati grezzi, campionati a intervalli di 1 minuto, sono stati sottocampionati a intervalli di 15 minuti calcolando le medie. Il dataset è stato suddiviso in set di addestramento (21 giorni, marzo 2011), validazione (7 giorni, marzo 2011) e test (7 giorni, giugno 2011).
• Variabili di input (covariate): I modelli hanno utilizzato le seguenti caratteristiche di input:
  • Temperatura interna ($d$): la variabile target, differenziata per migliorare la generalizzazione.
  • Ora del giorno ($h$): codificata come categoria localmente codificata (24 componenti) per gestire la natura ciclica del tempo.
  • Irraggiamento solare ($W$), umidità relativa interna ($H$), livelli di CO2 ($Q$) e stato della pioggia ($R$): normalizzati tramite media e deviazione standard.
• Modelli di previsione:
  • Baseline statistiche: Sono stati utilizzati modelli di Smoothing Esponenziale (ETS) e Auto-Regressive Integrated Moving Average (ARIMA) come benchmark.
  • Reti Neurali Artificiali (ANN): Perceptron multistrato addestrati con l'algoritmo di backpropagation con momentum e regolarizzazione L2 (weight decay). Lo studio ha utilizzato un approccio Multiple Input Multiple Output (MIMO) per prevedere una finestra futura di dimensione $Z=12$ (3 ore) in un unico passaggio.
  • Strategie di Ensemble: Per migliorare la robustezza, gli autori hanno combinato più modelli ANN addestrati con diverse dimensioni della finestra di input ($I(x)$). Sono stati testati due schemi di combinazione:
    • COMB-EQ: Combinazione lineare uniforme (pesi uguali).
    • COMB-EXP: Combinazione lineare esponenziale (pesi softmax) basata sull'inverso del Mean Absolute Error (MAE) sul set di validazione.
• Valutazione: Le prestazioni sono state misurate utilizzando il Symmetric Mean Absolute Percentage Error (SMAPE), il Mean Absolute Error (MAE) e il Root Mean Square Error (RMSE) sulle partizioni di validazione e test.

Risultati Chiave

• Superiorità delle ANN: Le ANN hanno superato significativamente i metodi statistici standard (ETS e ARIMA) con un livello di confidenza superiore al 99%.
• Covariate Ottimali: La configurazione del modello più efficace combinava la temperatura interna con l'ora del giorno e l'irraggiamento solare ($d + h + W$). L'aggiunta di ulteriori covariate (umidità, CO2, pioggia) ha prodotto solo miglioramenti marginali.
• Prestazioni dell'Ensemble: La strategia COMB-EXP (combinazione esponenziale) ha generalmente prodotto risultati leggermente migliori rispetto ai modelli uniformi (COMB-EQ) o al migliore singolo modello (BEST), sebbene le differenze non fossero spesso statisticamente significative.
• Accuratezza della previsione: Il modello con le migliori prestazioni (COMB-EXP con $d + h + W$) ha raggiunto un SMAPE di circa lo 0,45% e un MAE di circa 0,11°C sulla partizione di test.
• Sensibilità all'orizzonte: I tassi di errore aumentano all'estendersi dell'orizzonte di previsione e gli intervalli di confidenza si allargano. Tuttavia, l'inclusione di covariate come l'irraggiamento solare è diventata più critica per orizzonti più lunghi (superiori a 90 minuti).
• Informazione Mutua (MI): Un'analisi MI ha confermato che l'irraggiamento solare ha una forte relazione con la temperatura interna, particolarmente durante il giorno. Interessante è che l'umidità e la qualità dell'aria hanno mostrato valori di MI elevati, ma la loro inclusione nel modello non ha migliorato significativamente le prestazioni oltre quanto fornito dai dati di tempo e irraggiamento.

Significatività e Rivendicazioni
Il documento sostiene che la previsione accurata della temperatura interna è una strategia praticabile per il controllo dell'HVAC orientato all'efficienza energetica. Prevedendo gli stati termici futuri, la SMLsystem può adattare le proprie operazioni per mantenere il comfort con un consumo energetico ridotto. Lo studio dimostra che le ANN multivariate, in particolare quando combinate con specifiche covariate ambientali (ora e irraggiamento), offrono una soluzione robusta per questo compito, superando i metodi tradizionali delle serie temporali statistiche.

Gli autori sottolineano che il loro lavoro fornisce un quadro pratico per integrare la previsione nei sistemi di automazione domestica (Intelligenza Ambiente/Ambient Intelligence) per bilanciare comfort e risparmio energetico. Notano con modestia che lo studio si basa sui dati di una singola casa nell'Europa meridionale su un periodo di tempo limitato, suggerendo che il lavoro futuro dovrebbe validare questi risultati attraverso diverse stagioni, località e tipologie di edifici. L'obiettivo finale è utilizzare queste capacità predittive per progettare sistemi di controllo predittivo che ottimizzino i sottosistemi energetici oltre la semplice regolazione della temperatura.