Gli edifici rappresentano una componente significativa nell’equazione del cambiamento climatico, assorbendo il 40% del consumo energetico globale, gran parte del quale è dedicato al riscaldamento, raffreddamento, ventilazione e climatizzazione (HVAC). La transizione verso sistemi di controllo basati sull’intelligenza artificiale (AI) può portare a una riduzione del consumo di energia e delle emissioni di gas serra dal 13 al 28%. Se tutti gli edifici fossero gestiti da sistemi AI avanzati, potremmo ridurre il consumo energetico e le emissioni globali di almeno il 4%.
Nonostante ciò, molti edifici del XXI secolo continuano a essere controllati da sistemi tradizionali basati su regole preimpostate, progettati e regolati manualmente. La transizione al controllo AI non è semplice come potrebbe sembrare poiché ogni edificio presenta caratteristiche uniche quali disposizione, infrastruttura, ubicazione e profilo degli utenti, rendendo il processo di modernizzazione oneroso.
In questo contesto, si discute l’adozione di metodi di controllo avanzati per gli sistemi HVAC in modo efficiente dal punto di vista dei costi, combinando l’apprendimento automatico guidato dai dati con il controllo basato sulla fisica attraverso un metodo ibrido denominato controllo predittivo differenziabile (DPC). Il DPC consente a un sistema basato sui dati di integrare un simulatore fisico approssimativo nel suo processo di addestramento, rendendolo capace di apprendere un modello affidabile e interpretabile con una quantità di dati notevolmente inferiore rispetto ai metodi precedenti.
Verso una soluzione ottimale
Attualmente, esistono due approcci principali nella progettazione di sistemi intelligenti per il controllo HVAC: i metodi basati su modelli e quelli guidati dai dati. I primi si basano su leggi fisiche note e possono garantire eccellenti prestazioni con adeguate garanzie di sicurezza. Tuttavia, sono complessi e costosi sia in fase di progettazione che di manutenzione. I metodi guidati dai dati, come l’apprendimento profondo per rinforzo, promettono una progettazione automatizzata dei controllori sfruttando le potenzialità dell’apprendimento automatico, ma senza garanzie di sicurezza e prestazioni.
La soluzione proposta consiste nell’unire questi due approcci attraverso il DPC, che prevede la creazione di una rete neurale in grado di approssimare la dinamica termica di un edificio per ottimizzare il controllo basato su modello.
Passaggi chiave del metodo DPC
Il primo passaggio consiste nell’apprendere automaticamente il comportamento termico di un edificio attraverso un modello neurale guidato dalla fisica. Utilizzando dati raccolti, si addestra questo modello per prevedere l’evoluzione temperatura con una stretta aderenza a leggi termodinamiche e dinamiche dei sistemi fisici. Questo approccio mira a garantire precisione e capacità di generalizzazione dell’apprendimento.
Il secondo passaggio impiega il modello appreso per ottimizzare le politiche di controllo in modo consapevole del dominio. Grazie alla proprietà di differenziabilità della rete neurale, è possibile retropropagare i criteri di prestazione attraverso il modello della dinamica del sistema per ottimizzare direttamente i parametri della politica di controllo, rendendo il metodo DPC efficiente in termini di campioni e interpretabile.
I risultati sperimentali dimostrano come il DPC possa gestire obiettivi economici rispettando vincoli dinamici su sistemi non lineari con molteplici ingressi e uscite, aprendo la strada alla creazione di controlli edilizi energeticamente efficienti affidabili e a basso costo in termini di richieste computazionali, raccolta dati e competenze specifiche.
Il DPC si presenta come un metodo promettente sia per la ricerca che per le applicazioni pratiche, offrendo una soluzione interessante per scenari che richiedono uno sviluppo rapido e un’implementazione a basso costo su hardware con risorse computazionali limitate. Ulteriori studi pratici e teorici sono necessari per verificare le prestazioni nel mondo reale, ma le prospettive di questi metodi basati sulla fusione sono molto ottimistiche.
