Gli edifici americani consumano circa il 40% dell'energia degli Stati Uniti, gran parte della quale viene spesa per il riscaldamento, raffreddamento, e ventilazione. Metodi di controllo avanzati possono aiutare a ridurre il consumo di energia. Il Model Predictive Control (MPC) ha mostrato il potenziale per ridurre sostanzialmente il consumo di energia negli edifici. Però, non è stato ampiamente adottato a causa di una serie di problemi di attuazione.

Recentemente, PNNL ha dimostrato che il deep learning può essere utilizzato per superare alcune di queste sfide, aprendo la strada a una più ampia adozione di MPC negli edifici. "Per un'applicazione di successo negli edifici, il metodo deve essere meno costoso e più facile da implementare, e questo è stato il fulcro del nostro lavoro, " spiega Jan Drgona, un associato di ricerca post-dottorato PNNL.

MPC tradizionale basato sulla fisica e le sue sfide

MPC ottimizza il controllo su un orizzonte temporale sfuggente, e in un edificio il metodo può ottimizzare il controllo per le prossime 24 ore a intervalli di 15 minuti. MPC utilizzerebbe un modello dell'edificio per valutarne le prestazioni nelle prossime 24 ore con diverse strategie di controllo per l'occupazione fissa e le ipotesi meteorologiche. Le impostazioni di controllo per i primi 15 minuti sono implementate, viene misurata la risposta dell'edificio, e il processo viene ripetuto con condizioni iniziali aggiornate e previsioni meteorologiche.

Una parte fondamentale di MPC è il modello stesso. L'MPC è stato inizialmente utilizzato per ottimizzare i processi chimici industriali attraverso modelli basati sulla fisica. L'MPC basato sulla fisica si è dimostrato efficace anche negli edifici. Infatti, i test sul campo condotti dalla KU Leuven University in un edificio per uffici in Belgio hanno mostrato un risparmio energetico fino al 50 percento. MPC ha anche migliorato il comfort termico nell'edificio mantenendo le temperature più vicine ai limiti prescritti, che può migliorare la produttività e il benessere degli occupanti.

La distribuzione di MPC in gran parte del parco immobiliare non è stata possibile a causa degli elevati costi di installazione. Ogni edificio è unico e richiede il proprio modello basato sulla fisica personalizzato. I modelli basati sulla fisica sono computazionalmente costosi, limitando il numero di alternative di strategia di controllo che possono essere esplorate e che spesso richiedono hardware dedicato.

Una potenziale soluzione?

Un gruppo di ricerca di Jan Drgona, Draguna Vrabie del PNNL, e Lieve Helsen di KU Leuven ha sviluppato un approccio che supera le sfide computazionali di MPC. Il team ha utilizzato l'MPC basato sulla fisica per addestrare modelli di rete neurale di deep learning.

I modelli delle reti neurali producono azioni di controllo che si avvicinano molto a quelle prodotte da MPC basati sulla fisica, ma lo fanno molto più rapidamente utilizzando una potenza di calcolo significativamente inferiore. In termini laici, i ricercatori stanno insegnando all'apprendista a buon mercato (rete neurale) a imitare il comportamento dell'esperto molto più costoso (MPC basato sulla fisica).

"Ci ritroviamo con un controller intelligente ad alte prestazioni con solo una frazione del costo di esecuzione del classico Model Predictive Control, "Dragona dice.

Aggiunge, "C'è ancora molto lavoro da fare per ottenere solide, metodi scalabili applicabili a sistemi edilizi di grandi dimensioni. Applicando questi metodi, siamo sulla buona strada per ridurre i costi di progettazione e ottenere una soluzione generica ampiamente disponibile per la comunità del controllo degli edifici."

Drgona e colleghi hanno discusso i loro metodi in "Spogliare la complessità dell'implementazione del controllo predittivo del modello basato sulla fisica per gli edifici tramite il deep learning". Questo documento è stato presentato in una sessione di workshop alla Conference on Neural Information Processing Systems a Vancouver, Canada, a dicembre 2019.