Advanced control strategies for the management of energy storages in multi-energy buildings

Il settore civile è responsabile di un terzo del consumo energetico mondiale e le proiezioni nei prossimi 30 anni prevedono un aumento di questa quota dovuto alla crescita della popolazione, a maggiori livelli di comfort interno dei paesi emergenti e all’elevato tempo trascorso all'interno degli edifici. Nel settore commerciale, una quota rilevante del consumo energetico è attribuita ai sistemi di Heating Ventilation and Air Conditioning, e in questo contesto si rende indispensabile la ricerca di strategie di controllo avanzate per la gestione ottimale di questi sistemi. Allo stato attuale, la ricerca si è dedicata con particolare enfasi all’applicazione di Model Predictive Control (MPC), ma l’elevata diversificazione del patrimonio edilizio e l’intensità di lavoro dovuta allo sviluppo di modelli sufficientemente accurati, ne ha messo in discussione l’applicabilità su larga scala. L’eccezionale progresso nel campo della sensoristica e delle tecnologie digitali, ha permesso l’elaborazione del concetto di Smart Building. L’elevata connettività dei dispositivi elettronici negli Smart Building abilita l’impiego di Internet of Things e Cloud Computing per la collezione e analisi dei Big Data (BD). In questo contesto, nuove condizioni di possibilità si prefigurano nella gestione a livello locale e supervisionale dei sistemi energetici. Il soft-control fa uso dei BD per fare previsioni, rivelare modelli di consumo energetico, definire classi di edifici e attuare strategie di controllo per sistemi energetici. Il Reinforcement Learning (RL) si sta affermando nella risoluzione di problemi complessi non lineari, e insieme all’ MPC si potrebbe affermare come stato dell'arte delle tecniche di controllo dei sistemi energetici degli edifici. In questo lavoro viene proposto un algoritmo di Deep Reinforcement Learning per la gestione del sistema di accumulo termico di un edificio adibito a sala studio per il campus universitario di Torino. L'algoritmo è un Soft Actor-Critic per azioni discrete. L’impianto comprende un sistema di climatizzazione con serbatoio di accumulo per l’acqua fredda e dispone di produzione locale di elettricità da pannelli fotovoltaici supportati da batteria. Questo lavoro mira a descrivere come una strategia di controllo avanzata influisce sulla progettazione dell'accumulo termico ed elettrico. Il controllore programma il funzionamento del serbatoio per minimizzare il costo dell'energia e viene confrontato con un benchmark. L'ambiente è simulato per diverse configurazioni di diverse dimensioni di Thermal Energy Storage e di Battery Energy Storage System (BESS). I risultati indicano chiaramente che il RL consegue prestazioni migliori del benchmark sia in termini di consumo che di costo energetico. Inoltre, garantisce un livello molto più alto di autosufficienza e autoconsumo, configurandosi anche come una valida soluzione per abbassare i costi di investimento per tecnologie di accumulo elettrico nei nearly Zero Energy Buildings. Facendo uso di RL, la rete di distribuzione elettrica è meno coinvolta nel funzionamento dell'edificio, il che è auspicabile quando si cerca di migliorare la flessibilità dell'edificio. La strategia di controllo individuata dall’RL ha permesso di identificare la programmazione giornaliera ottimale del serbatoio di accumulo termico dalla quale è possibile estrarre un controllo di tipo Rule-Based migliore di quello utilizzato come riferimento.