Innovation

Oggi i PID sono i sistemi di controllo di livello inferiore più comuni, mentre il controllo basato su regole Rule Based Controller (RBC) è considerato lo standard per l’ottimizzazione della gestione di alto livello dei sistemi HVAC, ma i risparmi energetici che ne derivano sono limitati. Infatti, nel controllo RBC le strategie sono statiche e non scalabili su diverse condizioni climatiche o caratteristiche dell’edificio, incapaci di prevedere i cambiamenti nei sistemi HVAC.

Per ovviare a tali limitazioni, negli ultimi anni é stata esplorata l’applicazione di strategie basate su modelli. In particolare, il Model Predicted Control (MPC) è diventato la strategia di controllo predominante nella ricerca sul funzionamento intelligente degli edifici.

Tuttavia, sebbene l’implementazione di MPC abbia dimostrato un’eccellente capacità di migliorare il comfort termico e ridurre il consumo energetico, la sua natura basata su modelli rappresenta in alcuni casi un aspetto critico.

Infatti, un problema significativo del MPC è legato alla dipendenza delle prestazioni dalla definizione del modello per l’ottimizzazione della strategia di controllo, che è spesso difficile da progettare con accurata precisione. Inoltre, è difficile generalizzare il suo uso a diversi tipi di impianti ed edifici. Di conseguenza, i controllori MPC non sono stati adottati come previsto nel settore edile, nonostante i risultati promettenti.

La ricerca si è anche concentrata sullo sviluppo di controllori model-free basati sul Machine Learning (ML), che ha mostrato un grande potenziale nel miglioramento delle prestazioni degli edifici, in particolare quando basato sul Reinforcement Learning (RL). L’interesse per le strategie di controllo basate su RL sta crescendo, ed Enerbrain sta contribuendo alla ricerca in questo campo.