Quality control degli HVAC attraverso il Reinforcement Learning
SFIDE
Come progettare un sistema di controllo HVAC basato su Reinforcement Learning guidato dai dati?
I sistemi di ventilazione, riscaldamento e aria condizionata (in inglese, HVAC) costituiscono una voce significativa nel budget delle aziende e il consumo energetico prodotto causa inquinamento.
Attualmente il controllo di questi impianti è sviluppato con due principali tecnologie. La prima è costituita da sistemi di controllo basati su regole (in inglese, rule-based control, oppure PID). I PID costituiscono lo standard più diffuso, economico e conosciuto, ma non si adattano automaticamente alle caratteristiche del singolo impianto, offrendo ampi margini di miglioramento in termini di consumo energetico.
La seconda soluzione è rappresentata da controlli a modello predittivo (in inglese model predictive control o MPC). I sistemi MPC sono adattivi e molto più efficienti dei PID, ma non sono scalabili, richiedendo un notevole sforzo iniziale di installazione e l’intervento di personale estremamente qualificato.
Proprio per questo, proponiamo un sistema di controllo guidato dai dati (data-driven), basato su algoritmi di Intelligenza Artificiale ed in particolare di Reinforcement Learning. La nostra soluzione garantisce notevoli miglioramenti prestazionali rispetto al PID. Inoltre, gli algoritmi di Reinforcement Learning forniscono un controllo con richieste per l’installazione molto ridotte; perciò, la soluzione è scalabile su un gran numero di impianti HVAC, migliorando i sistemi MPC.
SETTORI
Edifici commerciali o building aziendali molto ampi con carico termico variabile e con schemi di occupazione dell’edificio complessi. Abbiamo dimostrato che in queste situazioni si possono raggiungere risparmi energetici di oltre il 9% rispetto ai sistemi di controllo tradizionali.
BENEFICI
Installare un sistema di controllo basato su Reinforcement Learning per HVAC permette di avere due benefici. Da un lato, il sistema di controllo permette di gestire ottimamente le risorse per avere un ambiente confortevole. Dall’altro lato, permette di ridurre i consumi elettrici o di gas naturale per il raffrescamento o il riscaldamento e quindi i costi relativi, riducendo così anche l’impatto sull’ambiente.
Building energy consumption forecast
SFIDE
Come prevedere il consumo energetico di un edificio, date le serie temporali dei consumi individuali delle varie unità, per un management più efficace dei consumi?
I modelli che permettono di prevedere i consumi energetici tengono in considerazione diverse variabili: dati da calendario (stagioni, giorni lavorativi, festività ecc.), dati metereologici (temperatura esterna, umidità, piogge ecc.), dati storici dei consumi delle varie unità dell’edificio (aria condizionata, prese, luci ecc.), dati di costi e promozioni fatte dalla compagnia che fornisce l’elettricità. I modelli permettono di ottenere le previsioni di consumi energetici dell’edificio per tempi futuri (ad esempio, per il giorno successivo). Le previsioni ottenute permettono di fare considerazioni per ottimizzare l’uso delle risorse disponibili.
SETTORI
Edifici commerciali o building aziendali molto ampi con carico termico variabile e con schemi di occupazione dell’edificio complessi. Abbiamo dimostrato che in queste situazioni si possono raggiungere risparmi energetici di oltre il 9% rispetto ai sistemi di controllo tradizionali.
BENEFICI
Il management dei consumi energetici e la previsione dei consumi futuri di un edificio è importante per più motivi. Sicuramente, permette di ottimizzare e di ridurre i consumi energetici dell’edificio stesso. Inoltre, permette di ridurre le emissioni di carbonio per motivi di sostenibilità e di impatto ambientale.