Introduzione

Metodo per ottimizzare i consumi energetici di un edificio, basato su algoritmi di modellazione di tipo Machine Learning e System Identification. Lo scopo di tale soluzione è quello di integrarsi ed interfacciarsi con i metodi di controllo predittivo di tipo esogeni auto-regressivi commutati (SARX), minimizzando la complessità e consentendo il controllo a ciclo chiuso di edifici per efficientamento energetico e comfort ambientale.

Caratteristiche Tecniche

I modelli predittivi sono stati ampiamente utilizzati negli anni per progettare strategie di controllo ottime per risparmiare energia. I modelli dinamici sono applicabili per predire le esigenze energetiche di un edificio, come il Model Predictive Control (MPC). Si presentano però due problemi: nell’applicazione del MPC, realizzare un modello matematico dell’edificio richiede molto tempo e denaro, soprattutto per edifici grandi/ multipli; spesso i dati dei materiali impiegati per la costruzione non sono facilmente disponibili (vecchi edifici), e si devono fare delle ipotesi che richiedono un know-how esperto. L’ invenzione (TRL 5) riguarda quindi una metodologia alternativa alle precedenti, basata sui dati, volta ad affinare il modello SARX (metodo di controllo predittivo di tipo esogeno auto-regressivo commutato), con l’obiettivo di ridurre il numero di sottomodelli e riconoscere modelli lineari o quasi lineari, senza modificare la struttura RT ad albero di regressione, e quindi il partizionamento. Riducendo drasticamente il numero di modi discreti del modello SARX, si migliora l’accuratezza della modellazione e il costo computazionale in runtime, mitigando i problemi di overfitting.

Possibili Applicazioni

• Metodo implementato per l’ottimizzazione del consumo di energia di un edificio dotato di apparecchiature per il controllo dell’energia, attraverso il controllo di tali apparecchiature.

Vantaggi

• Elevatissime prestazioni sperimentali, soprattutto se applicato a sistemi reali il cui modello e sconosciuto e abbastanza complesso da derivare utilizzando approcci basati sulla fisica;
• Miglioramento dell’accuratezza della modellazione e del costo computazionale in runtime;
• Riduzione del numero di sottomodelli di un modello SARX senza compromettere l’accuratezza del modello e mitigando il problema dell’overfitting.