Il lavoro svolto in questa tesi propone una metodologia per l'applicazione di tecniche di intelligenza artificiale per la gestione della regolazione energetica di sistemi HVAC. Nell'elaborato è stato creato un ambiente di simulazione in cui si mostra come sia possibile allenare un agente di Reinforcement Learning che apprende una policy di regolazione basandosi sui dati storici a disposizione. I dati utilizzati sono relativi ad un ipermercato situato a Torino, il cui impianto è regolato attraverso un controllo di tipo tradizionale. Questo approccio consente di effettuare dei test di una nuova strategia di regolazione in un ambiente controllato e, rispetto ai controlli di tipo tradizionale attualmente presente nella maggior parte degli impianti, è più robusto, si adatta meglio al mutamento delle condizioni in cui l'agente sceglie le azioni da compiere e consente di utilizzare delle funzioni di ricompensa multi-obiettivo per ottenere policy più performanti.