Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

Sintesi Tecnica: Disaggregazione Temporale e del Carico Guidata da Proxy Generalizzato

Problematica
La decarbonizzazione del settore edilizio, in particolare attraverso l'elettrificazione dei sistemi di riscaldamento, è ostacolata da una critica mancanza di profili di carico termico granulari. Sebbene i modelli di previsione avanzati (che spaziano dalle reti neurali profonde agli strumenti basati sulla fisica come EnergyPlus) richiedano dati ad alta risoluzione, tali dati sono raramente disponibili per gli stock edilizi esistenti. La misurazione del gas ad alta risoluzione esula dai requisiti standard delle utility, lasciando i ricercatori solo con dati di fatturazione mensili a bassa frequenza, irregolari e sparsi. Gli approoli convenzionali di machine learning sono impraticabili in questo contesto, mentre i metodi tradizionali di modellazione inversa (ad esempio, i metodi basati sui gradi giorno) mancano della risoluzione intradia necessaria per la dimensionamento preciso delle apparecchiature e la modellazione stocastica del comportamento degli occupanti.

Metodologia
Il documento propone il framework di Disaggregazione Temporale e del Carico Guidata da Proxy Generalizzato, un processo in quattro fasi progettato per ricostruire profili di consumo di gas ad alta risoluzione (oraria) partendo da bollette mensili di gas a bassa frequenza e dati elettrici orari. La metodologia si basa sulla decomposizione del consumo totale di gas naturale ($G_{total}$) in due regimi fisici distinti: il riscaldamento degli spazi ($G_{heat}$) e l'acqua calda sanitaria ($G_{dhw}$), quest'ultima che funge da baseload del sistema guidato dal comportamento stocastico degli occupanti.

Il framework opera attraverso i seguenti passaggi sequenziali:

1. Estrazione del Proxy di Occupazione Generalizzato tramite Normalizzazione Meteorologica:
   Per isolare i segnali comportamentali dai dati elettrici orari ($E$), gli autori applicano una Normalizzazione Meteorologica Multivariata utilizzando un framework di Regressione Lineare Multipla (MLR). Questo passaggio rimuove i carichi di raffrescamento stagionale (confusi dal condizionamento dell'aria) regredendo l'elettricità rispetto alle variabili meteorologiche (velocità del vento, umidità, ore di gradi di raffrescamento) e ai priori temporali. Il risultante Proxy di Occupazione ($E_N$) è un segnale comportamentale pulito che rappresenta l'uso di illuminazione e apparecchiature, derivato azzerando i componenti termici nel modello di regressione.

2. Segmentazione Unificata e Pooling Normalizzato:
   Per affrontare l'insignificanza statistica dei singoli record sparsi, il framework identifica i periodi di "non riscaldamento" (definiti come mesi in cui il grado orario di riscaldamento medio è < 5). I dati di questi periodi provenienti da 11 edifici residenziali multipiano vengono raggruppati (pooling). Per garantire la comparabilità, l'elettricità è normalizzata per superficie utile e il consumo di gas è normalizzato rispetto al rapporto specifico volume-superficie ($\phi$) dell'edificio. Ciò crea un dataset unificato ($D_{pool}$) che rivela tendenze robuste invisibili a livello del singolo edificio.

3. Stima dei Parametri del Baseload Unificato e Calibrazione Locale:
   Un modello di Minimi Quadrati Ordinari (OLS) generalizzato viene addestrato sul dataset raggruppato per stabilire una relazione globale tra il proxy di occupazione e il consumo di acqua calda sanitaria ($G_{dhw}$). Per tenere conto delle variazioni specifiche degli edifici nell'efficienza degli apparecchi, viene applicato un passaggio di Calibrazione Locale. Un fattore di calibrazione scalare ($\kappa_i$) viene derivato per ogni edificio minimizzando il residuo tra la previsione universale e il consumo di gas osservato durante il mese più rappresentativo di non riscaldamento dell'edificio.

4. Disaggregazione Temporale per Componenti:
   L'ultima fase ricostruisce i profili orari per entrambi i componenti utilizzando un approccio di ottimizzazione a doppio flusso.

   • Ricostruzione del Baselord: Guidata dalle caratteristiche del proxy elettrico ($X_{dhw}$), modellando il comportamento degli occupanti.
   • Ricostruzione del Riscaldamento: Guidata dalle caratteristiche meteorologiche ($X_{heat}$), modellando la domanda termodinamica.
     Un algoritmo di ottimizzazione minimizza l'errore tra le previsioni orarie aggregate e i target mensili noti, garantendo che i profili sintetizzati conservino rigorosamente la massa energetica delle bollette mensili originali pur aderendo a specifiche dinamiche temporali.

Risultati Chiave
Il framework è stato validato su due dataset: un dataset operativo di 18 mesi da 11 edifici residenziali multipiano e l'Almanac of Minutely Power dataset (AMPds) ad alta risoluzione.

• Efficacia del Proxy: Il proxy di occupazione normalizzato meteorologicamente ($E_N$) ha dimostrato una correlazione media di Pearson di 0,74 con il consumo di gas nei periodi di non riscaldamento, un miglioramento significativo rispetto ai dati elettrici grezzi (media $r = 0,28$), confermando il successo dell'isolamento dei segnali comportamentali.
• Accuratezza del Baseload: La strategia di pooling e calibrazione unificata ha raggiunto un Mean Squared Percentage Error (MSPE) dell'8,58% per il periodo di baseload attraverso l'intero portafoglio.
• Ricostruzione del Carico Totale: Il consumo di gas totale ricostruito ($\hat{G}_{total}$) ha raggiunto un MSPE medio dell'intero portafoglio del 6,37% e un Normalized Root Mean Square Error (NRMSE) di 0,20. Il modello ha tracciato con successo sia le variazioni ad alta frequenza del baseload sia i picchi di riscaldamento senza ritardi temporali significativi.
• Validazione ad Alta Risoluzione: Quando testato sul dataset AMPds (dati a livello di minuto), il framework ha efficacemente scisso i componenti di riscaldamento e baseload, producendo MSPE per componente di circa il 10–11%, dimostrando robustezza anche a intervalli di livello minuto.

Significatività e Rivendicazioni
Il documento sostiene che questo framework colma efficacemente il divario di risoluzione tra i dati delle utility a bassa frequenza e i set di addestramento ad alta fedeltà richiesti per la modellazione della decarbonizzazione basata sui dati. Utilizzando l'elettricità oraria come un proxy dinamico e non intrusivo per il comportamento degli occupanti, il metodo supera la scarsità di dati che tipicamente impedisce l'applicazione di analisi avanzate di IA nei retrofit edilizi.

Gli autori posizionano il framework come una soluzione scalabile per generare dati di addestramento granulari senza la necessità di infrastrutture di sub-misurazione. La significatività risiede nella sua capacità di trasformare registri di fatturazione mensili sparsi in profili termici ad alta risoluzione affidabili, consentendo così un dimensionamento preciso delle apparecchiature e lo sviluppo di strategie di elettrificazione sostenibili per gli stock edilizi esistenti. Il documento conclude che questo approccio offre uno strumento pratico per accelerare i retrofit di elettrificazione edilizia mantenendo la coerenza fisica con il bilancio della massa energetica.