- Introduzione e motivazioni
- Descrizione del caso di studio
- Modello di riferimento di edificio e HVAC
- Schemi di controllo basati su reinforcement learning predittivo
- Discussione dei risultati
- Osservazioni conclusive
- Ambito generale: riduzione dei consumi garantendo confort termo-igrometrico, utilizzando tecniche di controllo.
- Perché ha senso?
1) perché abbiamo pompe di calore (COP variabile)
2) perché con l'inerzia termica disaccoppio generazione dal consumo
Obiettivi del presente lavoro:
1) Investigazione delle tecniche di reinforcement learning per il controllo temperatura minimizzando i consumi
2) Confronto con tecniche di controllo basate su modelli (fisica) e su dati (NN) sviluppate precedentemente
Caso studio - descrizione dell'edificio
- 4 piani: 18 zone termiche (14 classi, 4 aree comuni)
- 3500 m2 ca.
- Modello di riferimento di edificio e HVAC
- Descrizione della architettura di controllo generale
- Machine Learning
- Reinforcement Learning e schema Actor-Critic
- Predictive Actor-Critic e Analisi dei risultati
Nella presentazione, sono presenti le osservazioni e i risultati conclusivi. In allegato, è possibile scaricare il pdf dell'atto completo.