PREDICT: piattaforma adattativa di efficienza energetica
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
PREDICT: piattaforma
adattativa di
efficienza energetica
Francesco Conte, Stefano Massucco, Gabriele Mosaico, Matteo Saviozzi, Federico Silvestro, Andrea Vinci
Università degli Studi di Genova
Il progetto PREDICT è stato scamento [4]. Quest’ultimo obiettivo è stato uno
dei principali intenti del progetto di ricerca PRE-
intrapreso con il fine di svilup- DICT del Programma Operativo Regionale (POR)
Liguria 2014-2020 [5].
pare una piattaforma adat- Il progetto di ricerca PREDICT è stato intrapreso
tativa di efficienza energeti- con il fine di sviluppare un prototipo di piattafor-
ma adattativa di efficienza energetica per la ridu-
ca per la riduzione dei con- zione dei consumi in edifici non residenziali.
Grazie all’uso intelligente di dati di diversa natu-
sumi in edifici non residen- ra, quali:
ziali, grazie all’uso intelligen- • dati temperatura misurati in tempo reale;
• dati di consumo energetico in tempo reale;
te di dati di diversa natura, • dati meteo;
con conseguente significati- • presenza degli utenti.
vo risparmio economico La piattaforma elabora in modo ottimale il profilo
dei set-point di temperatura per ogni zona dell’edi-
li edifici possono essere considerati il più ficio, garantendo le condizioni di comfort degli
G grande settore di consumo energetico
del mondo, dal momento che sono re-
sponsabili approssimativamente del 40% dei
utenti e ottimizzando l’impiego delle risorse ener-
getiche, tramite l’eliminazione degli sprechi. La
procedura di ottimizzazione è basata su una tecni-
consumi totali del pianeta [1]. ca di Model Predictive Control (MPC) [6]. I metodi
La maggior parte delle persone passa il 90% del- di tipo MPC sono in grado di soddisfare un insieme
la propria giornata al chiuso utilizzando sistemi di definito di vincoli. Queste tecniche sono basate su
climatizzazione che hanno un enorme impatto sul modelli dinamici del processo che s'intende con-
consumo globale degli edifici. trollare (molto spesso modelli lineari ottenuti attra-
Per queste ragioni la modellazione termodinamica verso metodologie di identificazione). Il principale
degli edifici è un argomento di ricerca molto impor- vantaggio di un algoritmo MPC è costituito dal fat-
tante non solo all’interno della comunità scientifica, to che esso consente di ottimizzare l’attuale com-
ma anche nelle aziende del settore energetico. portamento del processo, tenendo conto anche del
Un modello affidabile di un edificio può essere uti- suo futuro andamento. In questo articolo la proce-
lizzato per diverse applicazioni con obiettivi di ca- dura MPC proposta sfrutta un modello termodina-
rattere economico e/o ambientale. Un modello mico semplificato dell’edificio per poter controllare
termico può essere utilizzato in fase di progetta- il sistema di riscaldamento/ raffrescamento.
zione [2], per valutare modifiche impiantistiche, Il resto dell’articolo è organizzato come segue: la
per la programmazione della manutenzione, per la descrizione del sito sperimentale è riportata nel
stima della prestazione energetica dell’edificio, secondo paragrafo, la definizione del modello ter-
per la previsione della domanda di energia [3] e in- modinamico dettagliato viene fornita nella sezione
fine, indice di applicazione domotica, per il con- successiva seguita dal modello semplificato, l’ul-
trollo ottimo dei sistemi di riscaldamento/raffre- timo paragrafo illustra l’algoritmo di ottimizzazio-
48
AEIT • numero 11/12
Domotica
π Figura 1 Fotografia dell'edificio sperimentale
ne per il sistema di riscaldamento/raffrescamento. gue secondo logiche di controllo interne.
Seguono conclusioni e ringraziamenti.
Per eseguire il controllo dell’impianto di condizio-
namento e il relativo monitoraggio dei consumi di
Sito sperimentale energia, è stato necessario dotare l’utenza di stru-
Come caso studio sperimentale del progetto è sta- menti di misura e controllo. Questi strumenti sono
to utilizzato il corpo B del Palazzo Ex-Eridania del- andati a integrare l’esistente sistema di monito-
l’Università di Genova (Figura 1), sito in corso An- raggio dei consumi dell’Ateneo [7]. La strumenta-
drea Podestà 2, sede del Dipartimento di Scienze zione già presente presso il sito del DISFOR prima
della Formazione (DISFOR). L’edificio in questione dell’inizio del progetto era composta da:
è a pianta rettangolare e si sviluppa su tre piani, è • un conta-impulsi, costituito da un PLC, per la
sede di aule e sale studio e viene frequentato da misura del consumo globale dell’edificio;
studenti e personale docente. • un misuratore di energia (DIRIS I30) per il grup-
Per la climatizzazione sia estiva che invernale, l’edi- po frigo.
ficio è servito da un sistema HVAC (Heating, Venti-
lation and Air Conditioning) dedicato, composto da: La strumentazione per il progetto PREDICT è sta-
• Unità Trattamento Aria (UTA); ta la seguente:
• gruppo frigo; • un regolatore (YLC 740) che consente il control-
• gruppo di resistenze elettriche post-riscaldo. lo remoto dei set-point di temperatura dei tre
piani dell’edificio considerato;
Il sistema di gestione dell’impianto HVAC rende • due misuratori di energia (DIRIS I30), collegati
possibile l’impostazione di differenti set-point di all’UTA e all’interruttore generale del sito speri-
temperatura, uno per piano, che il sistema perse- mentale;
49
novembre/dicembre 2019
• un misuratore di tensione (DIRIS U30); dizionamento del corpo B.
• una termocamera (AX8), installata in una stanza Il server riceve i dati di consumo e di temperatura
del sito sperimentale. Un esempio delle immagi- attraverso il protocollo SFTP e interagisce con il
ni archiviate è visibile in figura 2; controllore e la termocamera utilizzando il proto-
• quattro sensori di temperatura (tre interni e uno collo TCP.
esterno). Il server inoltre espone i dati di consumo tramite
un web service al sistema di monitoraggio dell’U-
Nella figura 3 è mostrato lo schema attuale dell’ar- niversità di Genova [7].
chitettura del sistema di monitoraggio e controllo.
Al centro del sistema è presente il server, che si
Modello Dettagliato
occupa di archiviare i dati di consumo, di tempe- Questa sezione intende descrivere il processo di
ratura e umidità e sul quale operano gli algoritmi modellazione dettagliata del comportamento ter-
di calcolo che definiscono i set-point di tempera- modinamico dell’edificio presentato in preceden-
tura da inviare al controllore dell’impianto di con- za. Essa è suddivisa in due fasi:
Figura 2 ®
Schermata del web service
della termocamera
Figura 3 ®
Architettura del sistema
di monitoraggio/controllo del DISFOR
(corpo B) dell’Università di Genova
50
AEIT • numero 11/12
Domotica
• Caratterizzazione Strutturale, in cui viene defini- completo all’interno di EnergyPlus.
ta la geometria dell’edificio e vengono associati Il primo passo per la costruzione di un modello
i materiali di costruzione; energetico consiste nella definizione della geome-
• Caratterizzazione Funzionale, questa fase è co- tria, dei materiali e del posizionamento geografico
stituita dalla modellazione del sistema HVAC dell’edificio. SketchUp è stato utilizzato come in-
considerando tutti i dati tecnici disponibili e alla terfaccia grafica per il disegno 3D dell’edificio de-
stima degli apporti di calori interni (presenza del- scritto nel paragrafo precedente.
le persone, illuminazione e dispositivi elettrici). Grazie alle piante dei piani e a diversi sopralluoghi
è stato possibile riprodurre fedelmente la costru-
Questi due punti fondamentali sono stati realizza- zione rispettando tutti i dati riguardanti muri, porte
ti in ambiente EnergyPlus [8] con l’aiuto di due e finestre. Inoltre, la possibilità di sfruttare il data-
software ausiliari: SketchUp ed Euclid [9-10]. base di Google Earth all’interno di SketchUp ha
EnergyPlus è un programma di simulazione ener- permesso di geo-localizzare l’edificio in modo cor-
getica e carico termico, sviluppato dal NREL (Na- retto e di stimare l’esposizione solare e le possibili
tional Renewable Energy Laboratory) del DOE ombreggiature causate dai palazzi circostanti (una
(Department of Energy) degli Stati Uniti [11], utiliz- sintesi di queste operazioni è illustrata in figura 4).
zato per studiare il fabbisogno energetico degli Il comportamento termodinamico di un edificio è
edifici in tutte le sue declinazioni. fortemente dipendente dall’utilizzo delle differenti
EnergyPlus calcola i carichi di riscaldamento e aree appartenenti ad esso e dalle apparecchiature
raffreddamento necessari per mantenere i set- installate. Per questa ragione lo step successivo
point di controllo termico di un sistema HVAC e il nella costruzione del modello consiste nella defini-
consumo di energia delle apparecchiature prima- zione delle caratteristiche funzionali dell’edificio.
rie dell'impianto. Parte cruciale della modellazione dell’edificio è
SketchUp è un software per modellazione 3D per rappresentata dalla definizione dell’impianto
le più varie applicazioni, dall’ingegneria al design HVAC. EnergyPlus permette di descrivere ogni
artistico. Euclid è un plugin di SketchUp pensato singolo componente dell’impianto di climatizza-
per semplificare la creazione delle geometrie dei zione e di impostare le relazioni tra ognuno di es-
modelli d'EnergyPlus. Esso consente all’utente di: si. Questo consente di ottenere una precisione
• creare il modello 3D dell’edificio in esame; molto elevata nella simulazione dell’impianto.
• caratterizzare le diverse superfici (tetto, muri in- Fondamentale per la stima del consumo del siste-
terni/esterni, porte, ecc.); ma HVAC da parte del modello completo è la de-
• definire i materiali di costruzione; finizione degli apporti di calore interni all’edificio.
• definire le diverse zone termiche; Il caso studio descritto nella sezione 2 è costitui-
to principalmente da aule per l’attività didattica,
Tutti i punti del precedente elenco sono stati uti- oltre che locali di servizio e servizi igienici. Il diffe-
lizzati come input per la creazione del modello rente utilizzo degli spazi implica una sostanziale
√ Figura 3
Riproduzione dell’edificio e dei cor-
pi circostanti in EnergyPlus
51
novembre/dicembre 2019
diversità nella presenza di persone, nei carichi Modello Semplificato
elettrici e nell’impianto di illuminazione. Questi tre Al fine di utilizzare una tecnica di controllo di tipo
ultimi fattori rappresentano gli apporti di calore in- MPC, per la definizione dei set-point di tempera-
terni che insieme a quelli esterni, valutati attraver- tura ottimali dell’impianto HVAC, è necessario co-
so i dati meteo, sono cruciali per la stima della do- struire un modello termodinamico semplificato
manda termica dell’edificio. dell’edificio in esame.
Uno spazio all’interno di Euclid è rappresentato da In una metodologia MPC, un modello predittivo
geometrie tridimensionali e carichi termici. Quando viene utilizzato per simulare l’evoluzione del siste-
Euclid viene utilizzato per simulazioni in ambiente ma. La previsione viene sfruttata per determinare
EnergyPlus, gli oggetti dello spazio associati a cia- la sequenza di controllo, ma solo il primo elemen-
scuna zona termica sono combinati geometricamen- to di questa catena viene effettivamente imple-
te, i carichi termici dello spazio sono mediati e le velo- mentato. Al passo successivo, le nuove misure
cità di ventilazione di ogni spazio vengono sommate. vengono sfruttate per eseguire nuovamente la
Per approssimare attraverso Euclid gli apporti in- predizione e il processo si ripete. Per questa ra-
terni di calore sono necessari i seguenti input. gione avere un modello affidabile del sistema in
• Persone: esame è un elemento fondamentale per le presta-
- massimo numero di persone presenti nell’edi- zioni della tecnica di controllo di tipo MPC scelta.
ficio [n.]; Affinché la piattaforma di monitoraggio e control-
- profilo settimanale del numero di persone pre- lo, sviluppata in PREDICT, sia adattativa, per la
senti nell’edificio. modellazione semplificata dell’edificio è stato uti-
• Illuminazione: lizzato un approccio di tipo black-box, in quanto
- potenza installata per metro quadro [W/m2]; queste tecniche non utilizzano informazioni a
- profilo settimanale di utilizzo dell’impianto di il- priori del sistema considerato.
luminazione. Il modello sviluppato in questo progetto è di tipo
• Carichi Elettrici: state-space e sfrutta come input la temperatura
- carico totale per persona [W/n.]; esterna, l’irraggiamento e la potenza assorbita
- profilo settimanale dei carichi elettrici dell’e- dall’impianto HVAC. L’output del modello imple-
dificio. mentato è costituito dalla temperatura interna
media delle zone climatizzate.
Questi profili possono essere stimati o acquisiti Matematicamente, esistono diversi modi per de-
attraverso una campagna di misura. scrivere un modello state-space. Nella forma a in-
Dopo essere stato implementato, il modello com- novazioni (innovations form), il modello si esprime
pleto è stato validato attraverso il confronto con i con le seguenti equazioni alle differenze del primo
{
dati reali archiviati dal sistema di monitoraggio de- ordine:
scritto nel paragrafo precedente. In particolare, la
xk+1 = Axk + Buk + Kek
figura 5 mostra il confronto tra la potenza effetti-
yk = Cxk + Duk + ek (1)
vamente assorbita dal sistema HVAC (in blu) e la
x0 = xinit
potenza stimata dal modello dettagliato (in rosso).
Figura 5 ® Confronto tra potenza elettrica del sistemi HVAC
Validazione del modello dettagliato: fornita dal modello EnerguPlus e assorbimento di potenza misurata
confronto tra potenza assorbita misurata
e simulata 40 Misurata
Simulata
35
Potenza Consumata [kW]
30
25
20
15
10
5
0
18/11 20/11 22/11 24/11 26/11 28/11 30/11 2/12 4/12
Novembre 2018
52
AEIT • numero 11/12
Domotica
dove: k ∈ N, uk ∈ Rm rappresenta l’input del siste- La scelta del modello da utilizzare per la stima dei
ma all’istante k, yk ∈ Rl contiene le misure di out- consumi energetici verrà eseguita in base alla
put del sistema all’istante k, x ∈ Rn è il vettore de- stagione.
gli stati A ∈ R nxn è la matrice che descrive le dina- Dopo aver stimato le matrici e i valori che com-
miche del sistema, C ∈ Rlxn rappresenta la relazio- pongono il modello, è necessario stabilire se que-
ne tra gli stati e le misure di output, D ∈ Rlxm è la st’ultimo sia in grado di fornire previsioni accura-
matrice che relaziona input e output al tempo k,ek te relative alla temperatura media interna delle zo-
∈ R l identifica l’errore di misurazione dell’output, ne climatizzate. Per un giudizio significativo, è im-
K ∈ Rnzl è la matrice di guadagno di Kalman e rap- portante scegliere:
presenta la relazione tra l’errore di misurazione e • un insieme di validazione composto da dati
gli stati al tempo successivo. hold-out, cioè che non siano stati usati per il
La scelta degli input e degli output va di pari pas- training del modello;
so con la scelta del metodo d'identificazione, che • delle metriche opportune che indichino la bontà
è a sua volta determinata dall’applicazione del di adattamento del modello.
modello state-space.
All’interno del progetto PREDICT sono stati utiliz- In questo articolo verrà riportata la validazione del
zati metodi subspace PEM (Prediction Error Mini- modello semplificato invernale.
mization). Essi sono in grado di identificare, par- L’indice principale utilizzato per la valutazione del-
tendo dai soli dati d'input e output, grandi sistemi le prestazioni è stato l’errore quadratico medio
MIMO (Multiple Input Multiple Output). Questi me- normalizzato (Normalized Root Mean Square Error
todi sono stati scelti per la loro semplicità e per la Index - NRMSE index):
loro precisione dimostrata in applicazioni analo-
√ ∑i=1( yi - ŷi)2
N
ghe a questo progetto [13]. Alcune assunzioni
∑i=1( yi - 1N ∑i=1yi)2
NRMSE = 1 - (2)
chiave dei metodi subspace sono violate pratica- N N
mente sempre durante l’utilizzo di un sistema
HVAC. In particolare, non risultano rispettate: dove yi indica l’i-esimo output misurato, ŷi identi-
• la persistenza dell’eccitazione, questa impone fica l’i-esimo output stimato con il modello, N in-
che gli input siano sufficientemente vari da met- dica il numero di osservazioni nel dataset di rife-
tere in risalto le varie caratteristiche del sistema; rimento.
• Input indipendenti dagli errori. A corredo di questa metrica, è stata utilizzata an-
che la deviazione standard degli errori (STanDard
Per questo motivo è importante che la procedura ERRor - STDERR):
d’identificazione sia irrobustita attraverso dati
sperimentali o surrogati dell’edificio in esame [14].
A questo proposito per poter identificare i para-
metri del modello state-space, presentato in [1],
STDERR =
√ 1 N
N ∑ ( yi
i=1
- ŷi)2
(3)
sono state utilizzate sia le misure archiviate dal e l’errore medio (AVeraGe ERRor - AVGERR):
1 N
N ∑ ( yi
sistema di monitoraggio dell’Università di Geno-
AVGERR = - ŷi)2 (4)
va sia i risultati delle simulazioni ottenute in am- i=1
biente EnergyPlus attraverso il modello comple-
to descritto nella sezione 3. Tutti questi dati han- Si osserva che, mentre l’indice NRMSE non ha
no permesso alla metodologia subspace PEM di unità di misura, l’errore standard e l’errore medio
identificare i parametri per poter correlare in mo- hanno la stessa unità di misura di yi e ŷi.
do robusto gli input e gli output del modello sta-
te-space. La Tabella 1 riporta i risultati numerici della valida-
Tenendo conto del fatto che durante l’inverno è zione del modello semplificato.
attivo solo il riscaldamento, mentre in estate è at-
tivo solo il raffrescamento sono stati sviluppati Tabella 1 - Indici di prestazione relativi
due modelli diversi (uno estivo e uno invernale). al modello semplificato -
Entrambi i modelli vanno a prevedere la tempera- Validation set: Novembre - Dicembre 2018
tura media delle zone climatizzate e sono caratte- KPI Valore
rizzati dai seguenti input: NRMSE 0.7390
• temperatura esterna; SDERR [°C] 0.5758 °C
• irradianza diretta normale (Direct Normal Irra-
MEANERR [°C] 0.2510 °C
diance - DNI);
MAPE [%] 3%
• potenza termica dell’impianto HVAC per il ri-
MAE [°C] 0.5240 °C
scaldamento/raffrescamento.
53
novembre/dicembre 2019La figura 6 illustra il confronto tra la temperatura • Matlab per l’implementazione dell’algoritmo di
reale (in blu) e la temperatura prevista dal model- ottimizzazione e del modello semplificato;
lo (in rosso). • EnergyPlus per il modello completo;
Come si può vedere dalla Tabella 1 e dalla figura • Building Control Virtual Test Bed (BCVTB) che
6 il modello semplificato garantisce una previsio- ha consentito la comunicazione tra Matlab ed
ne accurata della temperatura interna media delle
zone climatizzate. Il modello realizzato è stato poi
utilizzato all’interno di un algoritmo di ottimizza-
zione di tipo MPC per il controllo dell’impianto
HVAC del sito sperimentale.
Algoritmo di ottimizzazione
L’algoritmo di ottimizzazione per il controllo del si-
stema HVAC è, come detto, basato su una tecnica
di MPC. L’obiettivo dell’algoritmo è quello di mini-
mizzare la spesa di energia relativa all’impianto di
riscaldamento/raffrescamento, garantendo sempre
il comfort termico (vincolo sulla temperatura).
Il modello predittivo della procedura MPC imple-
mentata è costituito dal modello semplificato de-
scritto precedentemente. Grazie a questo model-
lo è possibile minimizzare la spesa di energia
(considerando il prezzo di acquisto effettivo) e
imporre che la temperatura interna appartenga a
una banda di comfort definita.
L’algoritmo di ottimizzazione è stato testato sia in
ambiente simulato sia sul sito test descritto nel
secondo paragrafo. In ambiente simulato è stata
utilizzata una procedura di tipo software-in the-
loop che ha permesso di replicare il comporta-
mento dell’algoritmo implementato su un orizzon-
te temporale esteso. Queste simulazioni hanno
sfruttato il modello dettagliato e hanno permesso
di concludere che la procedura proposta porta a
un risparmio della gestione energetica dell’im- π Figura 7
pianto HVAC. Per le simulazioni software-in the- Poster esposto nelle aule dell’edificio test - Applicazione per l’ana-
loop sono stati utilizzanti i seguenti ambienti: lisi del comfort percepito
Figura 6 ® Confronto dati reali con output modello
Validazione del modello semplificato: utilizzato all’interno dell’MPC - Palazzo Ex-Eridania
confronto tra temperatura reale 22
e temperatura prevista
21
Temperatura Interna Media [°C]
20
19
18
17
16
15 Temperatura Reale
Temperatura Prevista
14
29/11 30/11 1/12 2/12 3/12 4/12 5/12
Test set
54
AEIT • numero 11/12Domotica
EnergyPlus, permettendo cioè la trasmissione pancy, integrazione feedback degli utenti, ecc.)
del set-point di temperatura calcolato dall’algo- riteniamo che sia possibile migliorare la proce-
ritmo di ottimizzazione al modello completo. dura MPC in modo da ottenere risparmi supe-
L’attuazione di questi set-point all’interno di Energy- riori al 10%. Questo potrà portare ad una com-
Plus ha permesso di simulare il comportamento mercializzazione della piattaforma.
della metodologia MPC proposta.
Dopo le simulazioni è stata eseguita una campa- BIBLIOGRAFIA
gna di sperimentazione della durata di due mesi [1] E. Atam, L. Helsen: Control-Oriented Thermal Modeling of
sul sito test (gennaio-febbraio 2019). Questo ha Multizone Buildings: Methods and Issues: Intelligent Control of
permesso di affinare sia l’architettura di controllo a Building System, IEEE Control Systems, vol. 36, n. 3, giugno
(comunicazione, attuazione dei set-point), sia i 2016, pp. 86-111.
vincoli di comfort riguardanti la temperatura inter- [2] X. Cao, X. Dai, J. Liu: Building Energy-Consumption Status
na all’edificio. La definizione finale di questi vinco- Worldwide and the State-of-the-Art Technologies for Zero-
li è stata effettuata utilizzando le opinioni degli Energy Buildings During the Past Decade, Energy and Buil-
utenti sul comfort percepito. Questi giudizi sono dings, vol. 128, 2016, pp. 198-213.
stati raccolti attraverso un'applicazione sviluppa- [3] A. Bagnasco, M. Saviozzi, F. Silvestro, A. Vinci, S. Grillo, E.
ta all’interno del progetto PREDICT (Figura 7). Zennaro: Artificial Neural Network Application to Load Foreca-
I primi test sul campo hanno evidenziato un ri- sting in a Large Hospital Facility, International Conference on
sparmio di energia intorno al 5%, rispetto alla ge- Probabilistic Methods Applied to Power Systems (PMAPS),
stione ordinaria. Durham, 2014.
[4] Z. Afroz, G. Shafiullah, T. Urmee, G. Higgins: Modeling Tech-
niques Used in Building HVAC Control Systems: A Review,
Conclusioni Renewable and Sustainable Energy Reviews, vol. 83, 2018,
pp. 64-94.
Il progetto PREDICT ha permesso lo sviluppo di
una piattaforma intelligente per la gestione degli [5] The PREDICT Project: disponibile online su: www.research.
impianti di climatizzazione in edifici non residen- softeco.it/predict.aspx
ziali, rappresentando un significativo passo in [6] M. Killian, M. Kozek: Ten Questions Concerning Model Pre-
avanti verso un esercizio degli impianti tecnici che dictive Control for Energy Efficient Buildings, Building and En-
coniughi i requisiti di comfort dell’utenza con l’ot- vironment, vol. 105, 2016, pp. 403-412, ISSN 0360-1323.
timizzazione del fabbisogno energetico in modo [7] A. Bagnasco, M. Saviozzi, F. Silvestro, A. Vinci: Il Sistema Di
automatico e adattativo. Monitoraggio dei Consumi Energetici in Tempo Reale dell’Uni-
Per ottenere questo risultato, sono state affianca- versità di Genova: Analisi dei Consumi e Sperimentazione su
te tecnologie consolidate di misura e raccolta dei una Microgrid, Convegno nazionale AICARR 2017, Padova,
22 giugno 2017.
dati di campo in tempo reale (monitoraggio) con
algoritmi matematici derivati da attività di ricerca [8] EnergyPlus: https://energyplus.net
di attualità, definendone pertanto un campo di ap- [9] SketchUp Software: www.sketchup.com/it
plicazione pratica di sicuro interesse e confortato
[10] Euclid Project: https://bigladdersoftware.com/projects/euclid
dai risultati numerici ottenuti.
Nella fattispecie: [11] www.nrel.gov/
• il modello predittivo (modello matematico sem- [12] F. Borelli, A. Bemporad, M. Morari: Predictive Control for Li-
plificato dell’edificio) ritorna un errore medio di near and Hybrid Systems, Cambridge University Press, 2017.
circa 1°C, rispetto alle temperature effettiva-
[13] M. Knudsen, R. Hedegaard, T. Pedersen, S. Petersen: Sy-
mente misurate dai sensori; stem identification of Thermal Building Models for Demand Re-
• la gestione tramite la piattaforma PREDICT del- sponse - a Practical Approach, in CISBAT International Confe-
l’HVAC sul sito sperimentale ha portato ad un ri- rence, Lausanne, Svizzera, 6-8 settembre 2017, pp. 936-939.
sparmio di energia calcolato pari a circa il 5%, [14] S. Prívara, Z. Vá a, J. Cigler, L. Ferkl: Predictive Control
rispetto alla gestione ordinaria. Sfruttando l’ar- Oriented Subspace Identification Based on Building Energy
chitettura e aggiornando le funzionalità svilup- Simulation Tools, 20th Mediterranean Conference on Control
pate nel corso del progetto (stima dell’occu- & Automation (MED), Barcelona, 2012, pp. 1290-1295.
Si ringraziano tutti i partner del progetto PREDICT:
• Softeco: digital company del gruppo Terni Energia, coordinatore del progetto;
• IESolutions s.r.l.: società di consulenza nel campo del monitoraggio, gestione e risparmio energetico, Spin Off accreditato dell’Università degli Studi di Genova;
• H2Boat: start-up del settore energetico, Spin Off accreditato dell’Università degli Studi di Genova;
• Dipartimento di Ingegneria Elettrica, Elettronica, Navale e delle Telecomunicazioni (DITEN) dell’Università di Genova;
• L’Ing. Massimo Di Spigno, Direttore Generale Vicario, Dirigente dell’Area Conservazione Edilizia e le persone del suo Ufficio - Università di Genova.
55
novembre/dicembre 2019Puoi anche leggere
