Certificazione energetica e Intelligenza Artificiale: il potenziale nel settore energetico dei nuovi strumenti

Certificazione energetica: la trasformazione attraverso un processo di digitalizzazione

Negli ultimi anni, la certificazione energetica ha subito una significativa trasformazione attraverso un processo di digitalizzazione. Questa evoluzione ha avuto inizio con la pubblicazione del Decreto Ministeriale 26.06.15, noto come le "Nuove Linee Guida Nazionali per la Certificazione Energetica." In seguito, è stato elaborato e gradualmente implementato un formato XML per lo scambio di dati, sviluppato presso il CTI (Comitato Termotecnico Italiano) e destinato all'inserimento delle informazioni relative agli Attestati di Prestazione Energetica (APE) nei registri catastali informatizzati.

Oggi, questo strumento digitale rappresenta il fulcro della creazione di un unico database nazionale di APE, noto come il Sistema Informativo sugli Attestati di Prestazione Energetica (SIAPE).

L’Attestato di Prestazione Energetica (APE) è un documento che noi tutti conosciamo ma che sta vivendo negli ultimi anni un processo di evoluzione dovuto a una realtà di fatto: a livello internazionale, regionale e Nazionale, come conseguenza della storicizzazione di tali attestati di prestazione energetica, abbiamo a disposizione enormi quantità di informazioni.

La conseguenza di questo processo è che abbiamo iniziato a non vedere più l’APE di un immobile come un oggetto a sé stante, ma come parte di una grande collezione di informazioni che possono riguardare anche ampie scale territoriali.

Questa evoluzione negli ultimi anni ha spinto il mondo della ricerca ad impegnarsi nel settore dell’analisi dei dati, facendo emergere delle potenzialità che non erano previste alla prima concezione dello strumento stesso di certificazione.

Che valore può darci la disponibilità di ampi database di APE

La disponibilità di ampi database di certificati energetici può essere valorizzata ad esempio attraverso:

• la mappatura della prestazione energetica degli edifici su ampi territori in scala regionale o nazionale;
• la definizione di scenari di retrofit e la predisposizione di interventi di riqualificazione energetica anche su uno stock di edifici;
• la messa a punto di strumenti di convalida dei dati per verificare l'accuratezza e la qualità del documento;
• la pianificazione di interventi di riqualificazione energetica.

L’entrata in gioco dell’intelligenza artificiale

Nel momento in cui lavoriamo su ampie scale di dati e con database particolarmente onerosi dal punto di vista del volume, la statistica classica non è sempre sufficiente; per questo motivo può rivelarsi utile ricorrere a tecniche più complesse che afferiscono al campo del data mining, machine learning ed intelligenza artificiale. Queste tecniche rappresentano oggi una grandissima opportunità per risolvere problemi altamente complessi.

Per perseguire questi obiettivi è necessaria una compenetrazione di background tra chi è esperto di energia negli edifici e chi ha competenze nell’analisi dei dati. L’intelligenza artificiale è infatti uno strumento estremamente potente, ma richiede la supervisione di figure tecniche esperte di energetica, per l’identificazione delle variabili, dei modelli e l’interpretazione dei dati finali.

Come nasce il tool EnergIA

Il tool EnergIA è una funzionalità basata su algoritmi di intelligenza artificiale presente all’interno di EC700, il software Edilclima dedicato al calcolo delle prestazioni energetiche degli edifici, nata da un progetto di ricerca in collaborazione tra Edilclima e il laboratorio di ricerca BAEDA Lab del dipartimento Energia presso il Politecnico di Torino.

La ricerca parte da un’analisi data driven degli XML relativi agli attestati di prestazione energetica nel formato esteso.

Questa analisi è basata sull’osservazione di un numero limitato di variabili e può essere finalizzata a diversi scopi: il primo scopo oggi perseguito da EnergIA è quello di effettuare il confronto delle caratteristiche del proprio edificio con un raggruppamento di riferimento di edifici simili.

A partire da un ampio database di certificati energetici, applicando una serie di filtri ed algoritmi di pattern recognition, è possibile identificare per un nuovo edificio oggetto di analisi, un campione di riferimento di edifici a lui simili rispetto ai quali effettuare analisi comparative di diversi indicatori di prestazione.

A tale scopo ci si è focalizzati soltanto sulla destinazione d'uso residenziale considerando i soli servizi di riscaldamento e di produzione di acqua calda sanitaria.

I cluster: gruppi di edifici rappresentativi

Una volta definito il dataset di partenza, sono stati identificati 8 raggruppamenti tipologici di edifici facendo uso di una tecnica di analisi dati avanzata che prende il nome di clustering analysis.

Questi edifici sono stati raggruppati sulla base del concetto di similarità delle loro caratteristiche in termini di geometria, involucro, impianto e fonti rinnovabili, discretizzate nelle seguenti variabili:

• Geometria: superficie utile, superficie disperdente, S/V e percentuale di area vetrata;
• Involucro: trasmittanze, area solare equivalente, fabbisogno di energia utile ideale;
• Impianto: efficienze globali e fabbisogni di energia primaria non rinnovabile per riscaldamento e per ACS;
• Fonti rinnovabili: percentuali di copertura da FER per entrambi i servizi.

A partire da queste variabili l’edificio oggetto di APE viene confrontato con il cluster a lui più vicino: il cluster di appartenenza rappresenta quindi il gruppo di edifici con cui condivide un elevato livello di similarità e rispetto al quale poter confrontare la propria prestazione energetica. Pur appartenendo ad un certo cluster, possono comunque esserci delle variabili rispetto alle quali l’edificio è dissimile rispetto alla maggior parte degli elementi del gruppo, ossia possono avere valori che all’interno del gruppo si manifestano con più bassa frequenza.

Confronto con il cluster di appartenenza e analisi critica

In molti casi il confronto con il proprio cluster può far emergere parametri che si discostano in modo significativo dalla mediana del gruppo: questo non rappresenta necessariamente un errore.

Il tool EnergIA guida l’utente nell’interpretazione dei dati e anticipa delle possibili giustificazioni per dare coerenza allo scostamento. Di seguito alcuni esempi di osservazioni:

• Il fabbisogno di energia utile ideale dell’involucro EPHnd è più basso rispetto alla media del tuo cluster. Questo perché i valori di trasmittanza media dell'involucro sia opaco che trasparente sono più bassi della media;
• Il valore del fabbisogno di energia primaria non rinnovabile EPnren,H è più basso rispetto alla media del tuo cluster.

Questo perché, nonostante il fabbricato abbia scarse prestazioni e l'impianto per il riscaldamento una bassa efficienza, hai una elevata percentuale di energia rinnovabile.

In altri casi l’analisi critica può segnalare delle potenziali anomalie, e invita il professionista a ricontrollare i dati di input inseriti. Ecco alcuni esempi di avvisi di attenzione:

• Nonostante i valori bassi di trasmittanza di involucro, ottieni elevati valori di EPHnd. Sei sicuro di non aver sottostimato gli apporti gratuiti o sovrastimato le dispersioni per ventilazione? Potresti anche avere considerato un fattore solare dei vetri tipico di un vetro singolo e non coerente con la tipologia di infissi presente;
• Il valore del fabbisogno di energia primaria non rinnovabile EPnren,H è più basso rispetto alla media del tuo cluster.

Questo nonostante il fabbricato abbia basse prestazioni e l'impianto per il riscaldamento una bassa efficienza.

La presenza di questo ultimo “alert” può essere ricondotta a errori di modellazione più concettuali, come la presenza di strutture rivolte verso ambienti non coerenti o l’assenza di componenti finestrati. Questi tipi di errori sono difficilmente rilevabili con strumenti di diagnostica convenzionale.

È utile sottolineare come i concetti di “valore elevato” o “valore basso” non hanno un significato assoluto, ma sono riferiti al confronto con il proprio cluster di appartenenza.

Nell’immagine seguente, ad esempio, vediamo come un valore di trasmittanza media pari a 0,85 W/m²K sia ricaduto al di sopra del 75esimo percentile rispetto agli elementi del cluster n.5, un raggruppamento di edifici la cui mediana è 0,55 W/m²K (lo stesso valore sarebbe risultato ad esempio nel decimo percentile nel cluster numero 0, dove sono raggruppati edifici con scarse prestazioni dell’involucro).

Sviluppi futuri

Il tool EnergIA, e più in generale il lavoro di ricerca di Edilclima e BAEDA Lab, si propone già degli obiettivi futuri.

Tra questi il primo è l’analisi di scenari di retrofit per poter proporre automaticamente al professionista gli interventi di riqualificazione adatti al raggiungimento di una classe energetica obiettivo, individuando le strategie di intervento più convenienti.

Un altro obiettivo è la definizione di modelli data driven in grado di fare leva su poche variabili per avere una stima accurata della prestazione energetica. Questo tipo di strumento è molto utile quando si vogliono fare diagnosi preliminari aventi lo scopo di conoscere in anteprima la classe energetica e i margini di miglioramento di un edificio.

Un altro aspetto importante riguardante l’utilizzo di tali approcci di analisi basati su algoritmi di intelligenza artificiale è la possibilità di definire un processo analitico cosiddetto adattivo: tali strumenti sono infatti alimentati da basi di dati in continuo accrescimento e se adeguatamente riallenati consentono di ottenere una rappresentazione sempre veritiera di un parco edilizio nazionale in continua evoluzione.

Sei vuoi conoscere più nel dettaglio il tool EnergIA scarica la scheda tecnica e prova la trial gratuita di EC700 Calcolo prestazioni energetiche degli edifici.

SCOPRI DI PIÚ sul Tool EnergIA

La collaborazione tra Edilclima e BAEDA Lab: una success story

Il progetto di ricerca alla base del tool EnergIA è la dimostrazione di come l’innovazione scientifica, la ricerca e lo sviluppo possano essere valorizzate soltanto se si ha una visione condivisa degli obiettivi e un’integrazione delle competenze nel dominio dell’energetica e dell’analisi dati.

Per sentire le parole dirette di uno dei protagonisti del progetto di ricerca, ti suggeriamo di guardare l’intervista al Dott. Marco Savino Piscitelli, ricercatore presso il Dipartimento Energia del Politecnico di Torino e CTO dello spin-off universitario ToBe Analytics:

Guarda il video qui sotto!