La quantità dei dati memorizzata su supporti informatici è in continuo aumento: pagine Web, sistemi di e-commerce, dati relativi ad acquisti/scontrini fiscali, transazioni bancarie e relative a carte di credito…
Anche i sistemi di automazione degli edifici (BAS) generano ormai un’enorme mole di dati sull’effettiva operatività degli edifici stessi, utilizzando a tale scopo i sensori distribuiti nell’edificio. Oltre ad essere ‘oggetti’ ad alta intensità energetica, gli edifici stanno infatti diventando anche ‘oggetti’ ad alta intensità di informazioni.
Nello stesso tempo, i dati sui consumi energetici possono essere influenzati da molti fattori, come le caratteristiche strutturali, i parametri climatici e ambientali, i modelli di comportamento degli utenti e così via. Questa complessità rende insufficienti i metodi tradizionali per l’analisi dei dati: molte delle informazioni presenti sui dati non sono direttamente evidenti e larga parte dei dati non sono di fatto mai analizzate.
Entra allora in gioco il Data Mining (DM), che possiamo definire come l’esplorazione e l’analisi, per mezzo di sistemi automatici o semiautomatici, di grandi quantità di dati al fine di scoprire modelli (pattern) significativi. Si tratta di un insieme di tecnologie informatiche sviluppate per scoprire modelli o comportamenti nascosti in grandi volumi di dati.
Gli algoritmi di Data Mining ricavano le regole di associazione analizzando la frequenza dei pattern ‘if / then’ nei dati. Questa analisi può evidenziare comportamenti normali o anomali e correlazioni tra i parametri utili, per esempio, per ottimizzare gli interventi di manutenzione.
Non è solo una questione di analisi dei dati per vedere cosa è successo in passato ed essere in grado di agire in modo intelligente nel presente. Gli strumenti e le tecniche di data mining consentono, infatti, di prevedere cosa succederà in futuro e agire di conseguenza per trarre vantaggio dalle tendenze in arrivo.
Per esempio, la previsione della domanda di energia gioca un ruolo importante per migliorare le prestazioni degli edifici. Ma una previsione accurata richiede l’esame di molti fattori, come le condizioni meteorologiche, gli impianti HVAC, l’involucro dell’edificio, il comportamento degli occupanti e così via. La complessità e l’incertezza di questi fattori aggiungono rendo difficile una previsione accurata utilizzando tecniche convenzionali di analisi dei dati. In questo caso, le tecniche DM possono fare la differenza. Mentre in passato l’analisi veniva comunemente eseguita dal responsabile della struttura, che utilizzava la sua esperienza per interpretare i dati, i metodi di Data Mining possono contribuire a una migliore comprensione del funzionamento degli edifici e a fornire le informazioni necessarie per ottimizzarne le operazioni.
Nello stesso tempo, l’occupazione dell’edificio e il comportamento degli occupanti sono fattori cruciali per una stima corretta dei consumi energetici. Tuttavia, a causa delle loro caratteristiche complesse e della loro incertezza, è difficile analizzare tali fattori e sviluppare modelli di previsione affidabili. Per affrontare questa sfida, si ricorre oggi a modelli basati sul DM utilizzando, per esempio, alberi decisionali.
Altre possibili applicazioni del Data Mining riportate dalla letteratura sono l’individuazione di benchmark energetici, la classificazione dei profili energetici di consumo, la previsione del fabbisogno elettrico di specifici apparecchi elettrici, il tracciamento dei movimenti di persone e oggetti combinando tecniche IoT e DM, l’individuazione delle anomalie del sistema edificio-impianto e la diagnostica delle cause connesse, l’identificazione di strategie operative basate su regole per gli edifici e la caratterizzazione degli occupanti e dell’influenza dei loro comportamento sulla richiesta energetica.
Il Data Mining può aiutare a classificare e segmentare i dati disponibili, ma soprattutto a formulare ipotesi attendibili. Ciò è fondamentale non solo nel campo della Building Automation, ma anche del marketing, della gestione clienti, degli impianti industriali e così via.