Negli edifici reali, la gestione del comfort termico e dei consumi energetici è spesso ostacolata dalla mancanza di misure complete, dall’assenza di sistemi di monitoraggio de consumi e dall’utilizzo di strategie di controllo statiche che non riflettono la dinamica termo-energetica dell’ambiente. In questo contesto, la presente tesi sviluppa e valida una metodologia di misura e controllo completamente data-driven, finalizzata a ricostruire il comportamento termo-energetico dell’edificio e a generare raccomandazioni di gestione dell’impianto. La metodologia si basa su una campagna di monitoraggio condotta su un edificio reale, durante la quale sono stati misurati dati termo-igrometrici interni, variabili climatiche esterne, voti soggettivi di comfort (TSV) e consumi energetici ricavati dalle bollette mensili tramite Heating Degree Days (HDD). A partire da queste misure è stato costruito un simulatore dell’edificio composto da tre modelli di Machine Learning: modello termico, modello di comfort e modello energetico. Il simulatore costituisce l’ambiente virtuale utilizzato per addestrare un agente di Reinforcement Learning basato su Q-learning, incaricato di apprendere una politica di controllo ON/OFF capace di bilanciare comfort ed efficienza energetica. I modelli ML hanno mostrato prestazioni solide: il modello termico, incaricato di prevedere l’evoluzione della temperatura interna, ha raggiunto un MAE pari a 0.22 °C e un R² pari a 0.92; il modello di comfort, utilizzato per stimare la condizione di comfort/discomfort percepita dagli occupanti, ha ottenuto un’accuracy pari a 0.88 e un F1-score pari a 0.93; il modello energetico, impiegato per stimare i consumi associati alle azione dell’impianto, ha fornito consumi coerenti con le accensioni simulate. La politica RL appresa, valutata esclusivamente in simulazione ha permesso di migliorare simultaneamente comfort ed efficienza energetica: la percentuale di step in comfort è aumentata dal 45% al 51%, mentre i consumi energetici si sono ridotti da 846 kWh a 505 kWh, con un risparmio complessivo di circa il 40%. Nel complesso, la tesi dimostra come l’integrazione tra misure reali, modelli data-driven e RL possa costituire una base solida per la progettazione di sistemi di controllo termo-energetico avanzati, capaci di ottimizzare comfort e consumi in edifici reali.

Sviluppo e validazione di un sistema di misura e ottimizzazione dei consumi energetici e del comfort termico basato su normalizzazione climatica heating degree days

MONNATI, RICCARDO
2025/2026

Abstract

Negli edifici reali, la gestione del comfort termico e dei consumi energetici è spesso ostacolata dalla mancanza di misure complete, dall’assenza di sistemi di monitoraggio de consumi e dall’utilizzo di strategie di controllo statiche che non riflettono la dinamica termo-energetica dell’ambiente. In questo contesto, la presente tesi sviluppa e valida una metodologia di misura e controllo completamente data-driven, finalizzata a ricostruire il comportamento termo-energetico dell’edificio e a generare raccomandazioni di gestione dell’impianto. La metodologia si basa su una campagna di monitoraggio condotta su un edificio reale, durante la quale sono stati misurati dati termo-igrometrici interni, variabili climatiche esterne, voti soggettivi di comfort (TSV) e consumi energetici ricavati dalle bollette mensili tramite Heating Degree Days (HDD). A partire da queste misure è stato costruito un simulatore dell’edificio composto da tre modelli di Machine Learning: modello termico, modello di comfort e modello energetico. Il simulatore costituisce l’ambiente virtuale utilizzato per addestrare un agente di Reinforcement Learning basato su Q-learning, incaricato di apprendere una politica di controllo ON/OFF capace di bilanciare comfort ed efficienza energetica. I modelli ML hanno mostrato prestazioni solide: il modello termico, incaricato di prevedere l’evoluzione della temperatura interna, ha raggiunto un MAE pari a 0.22 °C e un R² pari a 0.92; il modello di comfort, utilizzato per stimare la condizione di comfort/discomfort percepita dagli occupanti, ha ottenuto un’accuracy pari a 0.88 e un F1-score pari a 0.93; il modello energetico, impiegato per stimare i consumi associati alle azione dell’impianto, ha fornito consumi coerenti con le accensioni simulate. La politica RL appresa, valutata esclusivamente in simulazione ha permesso di migliorare simultaneamente comfort ed efficienza energetica: la percentuale di step in comfort è aumentata dal 45% al 51%, mentre i consumi energetici si sono ridotti da 846 kWh a 505 kWh, con un risparmio complessivo di circa il 40%. Nel complesso, la tesi dimostra come l’integrazione tra misure reali, modelli data-driven e RL possa costituire una base solida per la progettazione di sistemi di controllo termo-energetico avanzati, capaci di ottimizzare comfort e consumi in edifici reali.
2025
2026-10-23
Development and validation of a system for measuring and optimizing energy consumption and thermal comfort based on climate normalization using heating degree days
File in questo prodotto:
File Dimensione Formato  
TESI (1).pdf

accesso aperto

Dimensione 1.89 MB
Formato Adobe PDF
1.89 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/29728