Domande di sintesi degli argomenti Gestione energetica e automazione negli edifici

Il presente documento è stato creato con lo scopo di riassumere i principali concetti visti nel corso

“Gestione energetica e automazione negli edifici” tenuto dal professor Capozzoli nell'anno

accademico 2020 - 2021.

Per rivedere tutti i concetti sono presentate 39 domande riassuntive dell'intero corso a cui ho cercato

di dare una risposta basandomi sugli appunti presi durante il corso. Ovviamente la risposta data è

stata fatta da un alunno e non si assicura perciò che essa si corretta al 100 % . Stefano Bonetto

1

DOMANDE

I. Si discutano le principali caratteristiche e funzionalità di un sistema EMIS (Energy

Management and Information system) e in particolare i blocchi di cui si compone, la

logica di connessione tra di essi e la finalità di ognuno in un processo di gestione

energetica e automazione negli edifici.

II. Si discuta il processo di digitalizzazione ed evoluzione tecnologica di un BACS

(Building Automation and Control System) anche con riferimento al ruolo dell’IOT e al

concetto di interoperabilità.

III. Si discutano le principali strategie di risparmio e ottimizzazione energetica conseguibili

nei sistemi di emissione del calore e di distribuzione per mezzo delle funzionalità

implementate in un BACS (Building Automation and Control System).

IV. Si discutano le principali strategie di risparmio e ottimizzazione energetica conseguibili

nei sistemi di generazione (riscaldamento e raffreddamento) per mezzo delle

funzionalità implementate in un BACS (Building Automation and Control System).

V. Si discutano le principali strategie di risparmio e ottimizzazione energetica conseguibili

nei sistemi ventilazione e di condizionamento dell’aria per mezzo delle funzionalità

implementate in un BACS (Building Automation and Control System).

VI. Si discutano le principali strategie di risparmio e ottimizzazione energetica conseguibili

nei sistemi di illuminazione, di schermatura e di TBM (Technical Building Management)

per mezzo delle funzionalità implementate in un BACS (Building Automation and

Control System).

VII. Discutere le principali differenze tra un controllo automatico ad anello aperto

(feedforward) e un controllo ad anello chiuso (feedback). Per i controlli ad anello chiuso

si forniscano le definizioni dei principali componenti della catena di controllo e degli

sfasamenti temporali connessi (first-order lags e dead time).

VIII. Discutere le principali differenze e caratteristiche tra controlli automatici tradizionali di

tipo reattivo e controlli avanzati del tipo predittivo e adattativo nell’ambito dei sistemi di

gestione energetica e automazione negli edifici.

IX. Si discutano le principali caratteristiche di controlli di tipo tradizionale reattivi e in

particolare del tipo ON-OFF (two positions) e modulante (proporzionale, derivativo,

integrativo).

X. Si discutano le principali caratteristiche di controlli di tipo avanzato e in particolare di

controlli basati su modelli e su controlli adattativi.

XI. Si discutano le differenze tra tecniche di data analytics supervisionate e non

supervisionate, esplicitando per ciascuna delle due categorie almeno un ambito di

utilizzo nel contesto della gestione energetica degli edifici.

XII. Argomentare le potenzialità ed utilità di tecniche di analisi non supervisionata (e.g.,

cluster analysis) in processi di time series analytics al fine di identificare pattern di

consumo energetico tipologici riferiti ad un edificio, e di come ciò possa abilitare

2 specifiche strategie di gestione energetica.

XIII. Descrivere gli step metodologici fondamentali che caratterizzano un processo di

identificazione di profili di carico giornalieri tipologici in un edificio considerando

l’utilizzo combinato di tecniche non supervisionate (e.g., clustering) e tecniche

supervisionate (e.g., classification).

XIV. Definire quali sono i principali iperparametri di una analisi di clustering gerarchica e di

come ciascuno di essi possa influenzare il risultato di segmentazione ottenuto. Per

facilitare la descrizione si faccia riferimento ad un problema di identificazione di profili

di carico tipologici di un edificio al fine di caratterizzarne i principali trend di consumo.

XV. Descrivere gli step metodologici fondamentali che caratterizzano un processo di

Symbolic Aggregate Approximation (SAX) ed argomentare quali vantaggi offre un tale

processo di riduzione e trasformazione di serie storiche di consumo energetico nella

identificazione di specifici pattern utili a perseguire mirate strategie di gestione

energetica.

XVI. Definire, in una analisi di clustering gerarchica, le principali differenze tra il metodo di

aggregazione “single”, “complete” ed ”average”, e proporre un esempio di come alcune

peculiarità di uno dei sopracitati algoritmi possa agevolare specifici processi di analisi di

serie storiche di consumo energetico degli edifici (e.g., isolare pattern estremali).

XVII. Fornire una definizione di processo non supervisionato basato su regole di associazione,

specificare come un dataset deve essere configurato per consentire la loro estrazione, e

come e perché esse possano risultare utili in processi di identificazione di anomalie

energetiche applicati ai sistemi energetici di un edificio.

XVIII. Definire cosa si intende per problema di regressione e per problema di classificazione

discutendo le principali similarità e differenze in un processo di modellazione energetica

supervisionata. Proporre inoltre esempi di utilizzo di tali modelli supervisionati nel

processo di gestione energetica degli edifici.

XIX. Si discutano le quattro possibili strategie di implementazione di un modello

supervisionato predittivo del consumo energetico di un edificio a seguito del processo

di allenamento e validazione.

XX. Descrivere le principali tecniche utilizzate nella fase di pre-processamento di serie

storiche di dati relativi all’edificio al fine di operare ricostruzione di dati mancanti e

identificazione di outlier statistici. Inoltre si discutano le principali cause connesse alla

presenza di inconsistenze in data-set risultanti da un processo di monitoraggio

energetico.

XXI. Fornire una definizione di modello data-driven di benchmarking e di modello data-

driven di forecasting del consumo energetico di un edificio. Discutere quali sono le

diverse implicazioni associate a questi due tipi di modelli nel contesto della gestione

energetica degli edifici.

XXII. Discutere le differenze tra processi di segmentazione basati su esperienza di dominio, su

tecniche non supervisionate e su tecniche di astrazione temporale (e.g. SAX) per la

caratterizzazione di serie storiche di consumo energetico di un edificio. Esporre

eventuali vantaggi e svantaggi di ogni approccio. 3

XXIII. Esporre i principali impieghi e obiettivi associati allo sviluppo di modelli di previsione

del consumo di energia di un edificio specificando le variabili di ingresso utilizzabili

(feature engineering), la scala temporale e la granularità nell’ambito dell’energetica degli

edifici. Definire inoltre le principali differenze, vantaggi e svantaggi che sussistono tra

modelli previsionali di tipo ingegneristico e completamente data-driven.

XXIV. Si discutano le principali caratteristiche di un modello grey box, i vantaggi e gli

svantaggi rispetto ai modelli white e black e le possibili applicazioni nell'ambito di un

processo di gestione energetica e automazione negli edifici.

XXV. Fornire una definizione di processo di benchmarking energetico esponendone i

principali vantaggi nell’ambito della gestione energetica degli edifici.

XXVI. Fornire una classificazione dei processi di benchmarking data-driven (e.g., interno-

esterno, statistici-basati su tecniche di data analytics, basati su indici prestazionali-profili

di carico) ed esporre per ciascuna classe le principali caratteristiche e finalità.

XXVII. Si fornisca una definizione di processo di benchmarking energetico interno,

esplicitandone obiettivi e principali applicazioni nell’ambito della gestione energetica

degli edifici.

XXVIII. Si fornisca una definizione di processo di benchmarking esterno, esplicitandone

obiettivi e principali applicazioni nell’ambito della gestione energetica degli edifici.

XXIX. Si fornisca una descrizione dei principali step metodologici che caratterizzano il

processo di benchmarking esterno statistico denominato “Energy star” definendone i

principali scopi applicativi nell’ambito della gestione energetica degli edifici.

XXX. Si discutano le caratteristiche dei modelli di regressione lineari utilizzati per condurre

processi di benchmarking interno (modelli a 2 o più parametri) e in particolare per la

verifica del risparmio energetico conseguente ad azioni di riqualificazione.

XXXI. Fornire una descrizione del processo di costruzione di un modello di regressione lineare

definito firma energetica, argomentare i suoi principali utilizzi nell’ambito della gestione

energetica degli edifici e specificare come i parametri di una firma energetica di un

edificio possano essere interpretati da un punto di vista fisico tecnico.

XXXII. Discutere come un modello di regressione lineare definito firma energetica possa essere

utilizzato per condurre analisi di valutazione del risparmio energetico conseguito a valle

di un intervento di riqualificazione di un edificio. Descrivere come un intervento di

riqualificazione dell’involucro, di efficientamento dell’impianto di riscaldamento e di

modifica del set-point possano produrre specifici effetti sulla firma energetica valutata

nelle condizioni di post-retrofit.

XXXIII. Si discutano i principali vantaggi connessi all’utilizzo di tecniche di data analytics per

condurre processi di benchmarking esterno sia relativi alla prestazione energetica

globale per mezzo di indicatori, sia relativi alla forma del profilo di carico energetico.

XXXIV. Esporre i principali step metodologici alla base della identificazione di profili di carico

tipologici in un portafoglio di edifici (benchmarking esterno) con riferimento ad un

processo basato su tecniche di data analytics. Argomentare le maggiori implicazioni di

questo processo a livello di gestione energetica e in particolare per la classificazione

4 degli utenti (i.e., customer classification).

XXXV. Fornire una definizione del processo informativo di Fault Detection and Diagnosis

(FDD) con specifico riferimento ad applicazioni di gestione energetica degli edifici e dei

loro sistemi impiantistici. Esporre inoltre i principali step metodologici alla base di un

processo di FDD basato su modellazione data-driven.

XXXVI. Fornire una definizione dei principali approcci perseguibili in analisi di Fault Detection

and Diagnosis (FDD) (i.e., approccio quantitativo, qualitativo e basato su dati storici)

esplicitandone vantaggi e svantaggi.

XXXVII. Descrivere e discutere un processo di Fault Detection and Diagnosis (FDD) nell’ambito

della gestione energetica degli edifici e le principali metriche di prestazione di tale

processo.

XXXVIII. Fornire una definizione di comportamenti adattativi e non adattativi dell’occupante in

un edificio e discutere le implicazioni legate alla caratterizzazione del comportamento

degli occupanti per l’ottimizzazione della gestione energetica degli edifici. Fornire

qualche esempio esplicativo.

XXXIX. Discutere i principali vantaggi connessi alla modellazione data-driven di processi legati

direttamente o indirettamente al comportamento dell’occupante e ai profili

occupazionali nell’ambito della modellazione della prestazione energetica degli edifici. 5

RISPOSTE

I. Un sistema di energy management and information system EMIS è un sistema

comprendente sia la parte hardware che la parte software in grado di raccogliere dati

sia a livello di meter che di componente, analizzarli e dare un output sia di tipo

informativo sia di tipo attuativo.

Esso è composto da vari sottocomponenti: il BACS (building automation and control

system), l' FDD (fault detection and diagnosis), l' ASO (automated system

optimization), il benchmarking and utility bill analysis, l' EIS (energy information

system) e l' AEIS (advanced energy information system). I primi tre (BACS, FDD,

ASO) sono componenti che agiscono a livello di componente specifico mentre i

restanti tre agiscono a livello di meter dunque hanno bisogno di un'infrastruttura

hardware aggiuntiva.

I BACS dal punto di vista dei processi informativi operano processi informativi

molto semplici, ad esempio l'analisi delle bollette oppure semplici analisi basate sui

concetti classici di statistica. Essi possono avere anche semplici funzioni di

allarming.

L' FDD invece utilizza molta intelligenza artificiale, dicendo in tempo reale se c'è

qualche anomalia al determinato componente o sistema. Sia il BACS che l' FDD

hanno output informativi.

L' ASO non ha più un output informativo ma ha un output caratterizzato da un

segnale di controllo. Il segnale di controllo dell' ASO deriva da processi di

ottimizzazione basati su modelli di intelligenza artificiale.

Il benchmarking and utility bill analysis, l' EIS e l'advanced EIS hanno output

informativi. Essi informano l'energy manager o l'utente quando si supera una soglia

con una certa gravità, altrimenti se fossero troppo insistenti la persona tenderebbe a

disabilitarli.

Essi hanno bisogno di un'ulteriore infrastrutura hardware da aggiungersi a quella del

BACS.

L'advanced EIS si differenzia dall' EIS perché oltre alla statistica utilizza anche

processi di data analytics.

L' ASO e il BACS sono collegati in maniera bidirezionale, in quanto il BACS

raccoglie informazioni e con semplici analisi statistiche le invia all' ASO il quale

dopo averle elaborate approfonditamente con tecniche di data analytics le rimanda al

BACS. Quest'ultimo pensa poi in maniera monodirezionale a inviare le informazioni

agli altri componenti (FDD, EIS, AEIS e benchmarking and utility bill analysis).

Infatti questi ultimi sono in grado solo di ricevere informazioni dal BACS e dopo

averle elaborate generano output informativi. Ovviamente il BACS è uno strumento

che può esistere da solo (ha sia un output informativo sia la capacità di svolgere

semplici analisi).

II. Recentemente l'automazione degli edifici ha avuto una notevole spinta e sta

evolvendo rapidamente. Grazie a sempre nuovi e più approfonditi studi, sta

cambiando al concezione stessa di automazione e si stanno scoprendo nuove

funzionalità. Dunque anche i BACS stanno evolvendo. Infatti in passato

l'automazione si basava semplicemente su connessioni mediante semplici segnali

elettrici. Con l'avvento della comunicazione tramite bus si è passati a un'infrastruttura

in cui un'unità master leggeva semplicemente la memoria di dispositivi slave, i quali

subivano in maniera passiva la comunicazione. Più recentemente si è sviluppato il

6 concetto di oggetti software che interagiscono tra loro, distribuendo così

l'intelligenza del sistema. Ciò ha aperto le porte all'internet of things. Si sono creati

così dei digital twin, cioè set di informazioni che rappresentano un dispositivo e

permettono di interagire con esso anche se si trova in un altro continente. Il digital

twin è quindi sincronizzato col dispositivo mentre altre infrastrutture esterne si

preoccupano di fare qualcosa con le informazioni contenute in questa infrastruttura.

Essendo che il singolo digital twin risiede in una infrastruttura di rete che può essere

implementata da diverse aziende, nasce la necessità dell'interoperabilità. Infatti è

utile che i BACS siano sistemi aperti cioè sistemi di cui sono note le interfacce di

comunicazione e il comportamento. Affinché però il determinato BACS sia

interoperabile, oltre ad essere aperto deve anche utilizzare regole adottate da un

pubblico ampio e non ristretto.

III. Tramite un BACS si possono conseguire diverse strategie di risparmio e

ottimizzazione energetica. Nei sistemi di emissione del calore la prima strategia che

può essere messa in atto è quella in cui il BACS ha accesso a un sensore di

temperatura esterna e regola l'emissione del calore in base ad essa, trascurando tutti

gli apporti gratuiti interni. Questo quindi è un controllo “cieco”. Un'altra alternativa è

quella di far riferimento non più a sensori di temperatura esterni ma a sensori di

temperatura interni presenti in ogni locale, come per esempio le valvole

termostatiche. In virtù della temperatura misurata si va a strozzare opportunamente la

valvola a due vie che permette il passaggio del fluido termovettore. Questa

metodologia tiene conto indirettamente del fatto che all'interno del locale possano

esserci apporti gratuiti ad esempio la radiazione solare. L'ultima alternativa è quella

di monitorare l'occupazione tramite sensori a infrarossi o sensori che misurano la

CO presente in ambiente. Con questo metodo, nel caso i terminali abbiano poca

2

inerzia (come per esempio i fancoil), si può pensare di variare l'emissione non

appena gli occupanti escono dalla stanza.

Per quanto riguarda il sistema di distribuzione, anche per esso la prima strategia è

quella della compensazione climatica. Strategia più efficace è invece la demand

based control, cioè il controllo in base alle condizioni dell'ambiente interno. Nel caso

in cui la temperatura di immissione del fluido termovettore del sistema di

generazione sia fissa, gli unici interventi che si possono fare sono quelli di

miscelazione con una valvola a tre vie e di riduzione della portata. L'altra opportunità

è quella di agire sulle pompe di circolazione, tramite l'on-off oppure controllando la

pompa a velocità variabile mantenendo costante il ∆p al decrescere del carico oppure

facendo variare il ∆p man mano che il carico decresce, riducendo ancora di più la

velocità della pompa e quindi i consumi elettrici. Una particolare strategia è la

demand programming. Se una percentuale molto