Evaluation of energy need for space heating in buildings: a predictive tool based on ANN Machine Learning

A significant fraction of global annual energy consumption is attributed to buildings. Consequently, in the last few years the assessment of the energy performance of building has become a critical focus in the construction sector, because it represents the starting point for a wide range of interventions aiming to improve the energy performances and reduce the related energy use and emissions towards a more sustainable future. In the last decade, dynamic simulation software represented the most diffuse tool for the evaluation of buildings’ energy requirement, relying on a wide set of input parameters and data. More recently, advancements in machine learning algorithms led researchers to adopt these new tools in the building sector, developing models able to properly predict the energy requirements of buildings and districts. This work focused on the development of a predicting model to estimate the energy required for space heating in buildings based on an Artificial Neural Network machine learning algorithm. Initially, a set of artificial buildings has been parametrically created starting from four arbitrarily chosen base geometries. These geometries were iteratively modified by means of Python scripts acting on geometrical parameters (like height, ground floor area and windows sizes) and on envelope variables (like thermal transmittance of walls or windows). These artificial buildings have been simulated with the dynamic software Energyplus, and the resulting space heating energy demand has been added to the dataset of buildings’ parameters. This dataset was later used to train the Artificial Neural Network, identifying the main relationships between the building’s input parameters and the energy demand. As a result, the trained network could predict the energy demand for space heating from a series of input variables derived from a generic building. To properly assess the predictive performance of the network, the results obtained have been compared to Energy Plus simulation outcomes for a set of test buildings, demonstrating the ability of the ANN's to effectively predict the space heating energy demand and highlighting the potential for building energy performance evaluation.

Una parte significativa del consumo energetico globale annuale è attribuita agli edifici. Di conseguenza, negli ultimi anni la valutazione delle prestazioni energetiche degli edifici è diventata un punto focale nel settore delle costruzioni, poiché rappresenta il punto di partenza per una vasta gamma di interventi volti a migliorare le prestazioni energetiche e ridurre il consumo energetico e le emissioni verso un futuro più sostenibile. Nell’ultimo decennio, i software di simulazione dinamica hanno rappresentato lo strumento più diffuso per la valutazione del fabbisogno energetico degli edifici, basandosi su un ampio insieme di parametri di input e dati. Più recentemente, i progressi raggiunti dagli algoritmi di machine learning hanno spinto i ricercatori ad adottare questi nuovi strumenti nel settore edilizio, sviluppando modelli in grado di prevedere in modo affidabile il fabbisogno energetico di edifici e distretti. Questo lavoro si è concentrato sullo sviluppo di un modello predittivo per stimare l'energia necessaria al riscaldamento degli ambienti interni negli edifici, basato su un algoritmo di Rete Neurale Artificiale. Inizialmente è stato creato, in maniera parametrica, un insieme di edifici artificiali a partire da quattro geometrie di base scelte arbitrariamente. Tali geometrie sono state modificate iterativamente tramite script in Python che agivano su parametri geometrici (come altezza, superficie del piano terra e dimensioni delle finestre) e sulle variabili dell'involucro (come la trasmittanza termica di pareti o finestre). Questi edifici artificiali sono stati poi simulati con il software di simulazione dinamica EnergyPlus, e il fabbisogno energetico risultante per il riscaldamento degli ambienti interni è stato aggiunto al dataset dei parametri degli edifici. Tale dataset è stato successivamente utilizzato per addestrare la Rete Neurale Artificiale, consentendo di identificare le principali relazioni tra i parametri di input dell’edificio e il fabbisogno energetico. Di conseguenza, la rete addestrata è in grado di prevedere il fabbisogno energetico per il riscaldamento a partire da una serie di variabili di input derivate da un edificio generico. Per valutare adeguatamente le prestazioni predittive della rete, i risultati ottenuti sono stati confrontati con quelli generati dalle simulazioni di EnergyPlus per un insieme di edifici di test, dimostrando la capacità della Rete Neurale Artificiale di prevedere efficacemente il fabbisogno energetico per il riscaldamento e mettendo in evidenza il potenziale di questo approccio per la valutazione delle prestazioni energetiche degli edifici.