Sviluppo e implementazione di strategie di controllo avanzato per la gestione energetica degli edifici attraverso un ambiente di co-simulazione = Development and implementation of advanced control strategies for building energy management through a co-simulation environment

Negli ultimi decenni la transizione energetica, promossa per ridurre l’impatto ambientale dell’uomo, sta suscitando un interesse globale. Le nuove politiche, seguendo questa direzione, stanno richiedendo sempre più cambiamenti in quei settori che presentano i maggiori consumi finali. Tra questi gioca un ruolo cruciale il settore edilizio, con circa un terzo dei consumi globali. Gli edifici, con i loro sistemi energetici, non hanno più il solo compito di provvedere al comfort degli occupanti, ma si richiede loro la flessibilità necessaria a gestire sia l’aleatorietà delle fonti rinnovabili sia le richieste da parte della rete elettrica, atte a mantenerne la stabilità. I controlli tradizionali, largamente utilizzati fino ad oggi, non permettono più di seguire questa evoluzione. La necessità di valutare in anticipo le condizioni future e di modificare tempestivamente il proprio profilo di consumo energetico giornaliero, essendo in grado di avere quella flessibilità richiesta per addattarsi alle esigenze della rete (Demand Response), spinge all’utilizzo di sistemi di controllo avanzati. Questa scelta risulta necessaria per valutare dei controlli che non sono più di tipo reattivo, come quelli tradizionali, ma che si basano su una logica predittiva in grado di muoversi in modo efficace nelle nuove sfide che vengono riscontrate nella gestione energetica degli edifici. In questo contesto si inserisce questo lavoro di tesi. Esso analizza la possibile implementazione di un controllo basato su algoritmi di Reinforcement Learning (RL) su di un sistema energetico a servizio di un edificio universitario. L'edificio è equipaggiato da unità di condizionamento di tipo Roof Top Unit (RTU), da un impianto fotovoltaico (PV) e da due diverse configurazioni di sistema di stoccaggio di energia a batteria (BESS). Il controllo avanzato, ad alto livello, imposta la temperatura di setpoint di aria ambiente, mentre la temperatura di zona viene regolata, a basso livello, da controlli Proporzionali-Integrativi (PI). L’impianto di riscaldamento è stato modellato utilizzando il software OpenModelica. La realizzazione di un ambiente di co-simulazione in Python, tramite la Functional Mock-up Interface standard, ha permesso di integrare all’impianto il sistema di controllo avanzato. L’analisi è stata effettuata confrontando un controllo avanzato sulla temperatura di setpoint, regolata dal Reiforcement Learning, con un controllo tradizionale basato su una schedule che imposta la temperatura di setpoint fissa durante le ore di occupazione e una temperatura di setback fissa durante le ore rimanenti. I risultati dimostrano come il controllo avanzato offra prestazioni superiori in termini di consumi, garantendo una gestione più efficace delle fonti rinnovabili. Nella configurazione migliore si riscontra, rispetto al caso con il controllo tradizionale, una diminuzione del consumo di energia elettrica totale di circa il 13.0 %, con un risparmio economico pari al 12.5%. Questo obiettivo è stato raggiunto mantenendo le stesse condizioni di comfort per gli occupanti. Inoltre, il controllo avanzato si distingue per una migliore gestione nel Peak-to-Average Ratio (PAR) giornaliero, registrando una riduzione del 20.0%. Questo studio vuole evidenziare l’efficacia dei controlli avanzati e mostrare l’uso di ambienti di co-simulazione come metodo efficace per pre-allenare controllori avanzati.