Controllo di temperatura degli edifici

Perché le tecniche di controllo di temperatura degli edifici hanno senso?
1) Perché abbiamo pompe di calore (COP variabile);
2) perché con l'inerzia termica disaccoppio generazione dal consumo.

Obiettivi del presente lavoro:
1) Controllo di temperatura degli edifici (e umidità e CO2) minimizzando i consumi;
2) Confronto tra tecniche di controllo basate su modelli e su dati.

Tuttavia, nascosto dietro gli obiettivi di progetto, ve n'è uno ben più importante nel campo del controllo:
Sfida perenne: come posso controllare (magari in maniera ottima) un sistema che è parzialmente non noto?
Quanto bene devo capire un sistema per controllarlo?

Sistemi di controllo di temperatura degli edifici a confronto
- Controllo predittivo;
- Mi serve un modello del plant per predire il comportamento futuro...;
- Centralizzato: fa tutto lui! Controlla i fan coil e le pompe di calore;
- Gerarchico: divisione dei compiti!
- Neurale: il modello del plant è una rete neurale (NARX), ma la logica di controllo è sempre predittiva;
- Nonlinear autoregressive model with exogenous (NARX);
- Machine Learning: il controllore è ACTOR-CRITIC;
- ACTOR-CRITIC;

MPC basato su modelli della fisica:
- << Fatica >> di costruzione dei modelli;
- Facilità di taratura (1 giorno di dati - max 7).

MPC basato su dati (reti neurali - NARX):
- << Poca fatica >> per la costruzione dei modelli;
- Lungo training (3-5 mesi di dati; 6 va sempre bene...).

Algoritmi di Machine Learning per il controllo (Actor - Critic):
- Laborioso mettere a punto i modelli (reward function, pesi, ecc.);
- Lungo training (3-6 mesi di dati almeno);
- Difficoltà di << certezze >> nelle prestazioni (erratiche).

MPC basato su modelli della fisica:
- << Fatica >> di costruzione dei modelli;
- Facilità di taratura (1 giorno di dati).

E in più:
- Tempi di calcolo: 2s per il gerarchico... per un tempo di campionamento di 15 minuti...
- Robustezza parametrica fino a circa 20%-30% di errore sui parametri per MPC model-based.

Sviluppi futuri

- Migliorare la tarartura dei modelli Actor-Critic / provare modelli diversi;
- Sviluppo di modelli misti model-driven e data-driven;
- Sviluppo di tecniche di << adattamento >> dei parametri.