Machine Learning Techniques for Ensuring the Health of Citizens and the Environmental Sustainability of Buildings

This thesis explores the transformative potential of data science in optimizing building energy consumption and enhancing occupant comfort and environmental quality. As urban environments evolve, the integration of advanced data-driven solutions in public and private buildings becomes increasingly crucial. These technologies are pivotal for achieving thermal comfort, air quality, and lighting optimization, which contribute to a supportive indoor environment aligned with the well-being of occupants. The research begins with the deployment of smart building systems incorporating a variety of sensors and control mechanisms. These systems are designed to maintain optimal indoor conditions, directly supporting occupant comfort while enhancing energy efficiency—a vital approach for creating sustainable spaces that prioritize both environmental and human-centered outcomes. A fundamental aspect of this study involves a detailed analysis of energy consumption trends in Italy, especially within the residential sector, reflecting the data used in this research. This analysis underscores the importance of load forecasting in understanding energy consumption and its implications for sustainable energy practices. Electricity consumption significantly influences both individual lifestyles and broader economic development. Using data from the International Energy Agency, the study identifies patterns in Italy’s electricity usage, particularly highlighting the residential sector's role in shaping national demand. As energy systems undergo significant transformations, accurately forecasting and assessing these trends is essential for measuring progress toward sustainability goals. By analyzing metrics such as sector-specific consumption and energy types, the research offers a comprehensive view of energy dynamics, supporting efficient load management in alignment with occupant needs. Building on this foundation, the thesis explores the dynamic relationship between energy management and occupant comfort across clusters of buildings, with a focus on enhancing load forecasting capabilities. A simulation model is developed to predict electricity consumption patterns, serving as the core of a comprehensive forecasting system. This model enables optimized energy usage across residential and commercial buildings, balancing efficient energy management with occupant comfort. Through a detailed analysis of existing methods and techniques, the thesis identifies strengths and limitations, providing a foundation for designing a more accurate and adaptive load forecasting system tailored to real-world energy use variability. This approach contributes not only to energy efficiency but also supports a comfortable indoor environment, aligning energy optimization with occupant-centric goals. The next phase of this research centers on practical implementation, beginning with data retrieval from the cloud to analyze power demand patterns in real-world settings. A primary challenge was developing a secure and efficient software interface to access and process cloud-based data, which was successfully achieved, enabling seamless data transfer for advanced power demand forecasting. Given the frequent issue of missing data in time series, this research prioritizes data imputation methods to ensure data reliability—essential for data-driven applications. Instead of relying on computationally intensive machine learning methods, this study enhances standard approaches by including temporal features, which enriches imputation accuracy while keeping the methods straightforward. Specifically, two innovative methods—Historical Data Informed Regression Technique (H-DIRT) and Seasonal K-Nearest Neighbors (SKNN)—are introduced as adaptations of established imputation techniques (linear regression and KNN) that incorporate temporal insights to better capture seasonal and time-dependent patterns.

Questa tesi esplora il potenziale trasformativo della data science nell'ottimizzazione dei consumi energetici degli edifici, con l’obiettivo di migliorare il comfort degli occupanti e la qualità ambientale. Con l'evolversi degli ambienti urbani, l'integrazione di soluzioni avanzate basate sui dati negli edifici pubblici e privati sta diventando sempre più cruciale. Tali tecnologie sono fondamentali per ottimizzare il comfort termico, la qualità dell'aria e l'illuminazione, contribuendo così a creare ambienti interni che promuovono il benessere degli occupanti. La ricerca inizia con l’implementazione di sistemi intelligenti per gli edifici, che utilizzano una varietà di sensori e meccanismi di controllo per mantenere condizioni ottimali all’interno. Questi sistemi non solo supportano il comfort degli occupanti, ma migliorano anche l’efficienza energetica, un approccio essenziale per la creazione di spazi sostenibili che bilanciano gli obiettivi ambientali e il benessere umano. Un aspetto centrale di questo studio riguarda l'analisi delle tendenze di consumo energetico in Italia, in particolare nel settore residenziale, che riflette i dati utilizzati nella ricerca. Tale analisi sottolinea l'importanza della previsione del carico energetico, fondamentale per comprendere i consumi e orientare le pratiche sostenibili. Il consumo di energia elettrica influisce profondamente sia sugli stili di vita individuali che sullo sviluppo economico. Utilizzando i dati dell’Agenzia Internazionale per l'Energia, questo studio evidenzia i modelli di consumo energetico in Italia, con particolare attenzione al ruolo del settore residenziale nella formazione della domanda energetica nazionale. L’accurata previsione di queste tendenze è cruciale per misurare i progressi verso gli obiettivi di sostenibilità. Analizzando i consumi per settore e le tipologie di energia utilizzata, la ricerca fornisce una visione dettagliata delle dinamiche energetiche, supportando una gestione ottimale del carico che risponda alle esigenze degli occupanti. Su questa base, la tesi esplora la relazione dinamica tra gestione dell’energia e comfort degli occupanti, focalizzandosi sul miglioramento delle capacità previsionali dei carichi energetici. È stato sviluppato un modello di simulazione per prevedere i pattern di consumo elettrico, che costituisce il nucleo di un sistema avanzato di previsione. Questo modello permette di ottimizzare l’uso dell’energia negli edifici residenziali e commerciali, bilanciando la gestione energetica con il comfort degli occupanti. Analizzando metodi esistenti, la tesi ne evidenzia punti di forza e limiti, fornendo le basi per progettare un sistema di previsione del carico più preciso e adattivo, rispondente alla variabilità dell’uso dell’energia nel mondo reale. Questo approccio non solo promuove l’efficienza energetica, ma crea anche un ambiente interno confortevole, allineando l’ottimizzazione energetica con obiettivi centrati sugli occupanti. Il passo successivo della ricerca si concentra sull’implementazione pratica, con l’analisi dei dati provenienti dal cloud per studiare i modelli di domanda di energia in contesti reali. Una delle sfide principali è stata sviluppare un’interfaccia software sicura ed efficiente per l'accesso ai dati nel cloud, riuscendo a garantire il trasferimento dei dati per previsioni accurate della domanda di energia.