Il settore edilizio è uno dei principali responsabili del consumo energetico globale, rappresentando circa il 30% del totale e il 26% delle emissioni di CO2. Affrontare questa sfida richiede soluzioni innovative che migliorino l’efficienza e si integrino facilmente con le infrastrutture esistenti. È qui che entra in gioco il concetto di ottimizzazione energetica degli impianti HVAC. Una nostra recente ricerca ha introdotto un approccio avanzato che combina modelli predittivi e deep learning applicata alla gestione dei sistemi di ventilazione e condizionamento dell’aria negli edifici di grandi dimensioni.
Un Approccio Semplificato per il Modello Energetico degli Impianti HVAC
Al centro di questa innovazione c’è un modello semplificato, basato su equazioni nello spazio degli stati, e progettato per prevedere il consumo energetico degli impianti HVAC. Questo modello considera variabili fondamentali, come i setpoint di temperatura, le condizioni meteorologiche esterne e l’occupazione dell’edificio. Quest’ultimo fattore viene stimato utilizzando il deep Transfer Learning (TL). Grazie all’uso di reti neurali pre-addestrate, come AlexNet, il sistema analizza le immagini delle termocamere per fornire previsioni precise sull’occupazione. Ciò senza necessità di hardware costoso o importanti risorse computazionali.
Per migliorare ulteriormente la praticità di questa soluzione, abbiamo integrato un modello SVR (Support Vector Regressor) con il TL, garantendo previsioni affidabili anche in scenari complessi. Per le aree non monitorate o per previsioni future, un algoritmo K-Nearest Neighbors (KNN) espande i dati stimati, rendendo l’approccio flessibile e scalabile per diversi tipi di edifici.
Test del Modello in un Ambiente Reale
Abbiamo testato questo metodo innovativo in un edificio educativo a tre piani presso l’Università di Genova, dotato di termocamere, misuratori energetici e sensori avanzati. I dati raccolti nell’arco di diversi mesi hanno validato l’accuratezza del sistema. Il modello AlexNet+SVR ha costantemente superato le tecniche tradizionali nello stimare l’occupazione, un elemento essenziale per ottimizzare gli impianti HVAC in modo efficace. 
Parallelamente, il modello nello spazio di stato ha previsto il consumo energetico con risultati allineati ai dati reali. Sebbene alcuni picchi di consumo siano stati sottovalutati, le prestazioni complessive del modello si sono dimostrate sufficienti per l’integrazione nei sistemi di controllo avanzati.
Compatibilità con i Sistemi di Controllo Avanzati
Uno degli aspetti più interessanti di questo approccio è la sua compatibilità con il controllo predittivo (MPC, Model Predictive Control). Utilizzando questo sistema integrato in un MPC, i gestori degli edifici possono regolare dinamicamente le impostazioni HVAC per ridurre al minimo il consumo energetico, mantenendo al contempo il comfort termico ottimale. Inoltre, le analisi di sensibilità hanno ulteriormente confermato che il modello risponde correttamente alle variazioni dei setpoint di temperatura, un requisito cruciale per l’implementazione pratica.
Un Futuro Promettente per l’Ottimizzazione Energetica degli Impianti HVAC
Questa ricerca dimostra che ottimizzare gli impianti HVAC non è solo possibile, ma anche praticabile grazie alla giusta combinazione di machine learning e modelli predittivi. Il sistema consente ai gestori degli edifici di ridurre i costi operativi, abbattere le emissioni di carbonio e migliorare il comfort degli occupanti, il tutto senza richiedere investimenti hardware significativi.
Guardando al futuro, l’integrazione di questo modello in strategie MPC più avanzate potrebbe sbloccare un potenziale ancora maggiore. Con un perfezionamento continuo, questo approccio potrebbe diventare un pilastro della gestione sostenibile degli edifici, aprendo la strada a un futuro più verde e intelligente.
Per qualsiasi approfondimento, ti rimandiamo alla nostra pagina contatti.
