Table of Contents
Contesto
Questo caso di studio si applica a zone dell’edificio dotate di sensori che misurano la temperatura e le attività, di un sistema di riscaldamento, ventilazione e condizionamento (HVAC) controllabile e, facoltativamente, di un impianto fotovoltaico locale.
Obiettivo
Gli edifici sono responsabili di quasi un terzo del consumo energetico globale e delle emissioni di CO2. Di conseguenza, il loro ruolo nella mitigazione dei cambiamenti climatici è fondamentale. I sistemi HVAC rappresentano da soli circa il 40% del consumo energetico totale di un edificio.
In questo caso di studio, dimostriamo che è possibile ridurre il consumo dei sistemi HVAC trovando il compromesso ottimale tra la minimizzazione del consumo energetico, la garanzia di un buon livello di comfort, la riduzione dei costi energetici e la massimizzazione dell’uso di energia rinnovabile.
Soluzione
Energis ha sviluppato e implementato una soluzione costituita da un sistema AI basato su regole, in grado di controllare i dispositivi HVAC in modo intelligente e autonomo durante il programma di ricerca Innoviris TeamUp.
La soluzione è stata installata sul nostro dispositivo edge Raspicy e testata in uno scenario che comprendeva una zona ufficio dotata di sensori di temperatura, umidità, CO2, movimento e un impianto fotovoltaico locale. La comunicazione tra il controllore intelligente e il sistema HVAC è avvenuta tramite il protocollo ModBus, anche se possono essere prese in considerazione diverse altre alternative come il BMS e un’API HTTP già esistente.
Il controllore AI basato su regole è dotato di un motore d’inferenza che applica le regole di condizione-azione memorizzate nella Knowledge Base per prendere decisioni e dedurre nuovi fatti.
Come prima fase, un ingegnere della conoscenza raccoglie la conoscenza del dominio (di costruzione) con l’aiuto di esperti del dominio e poi converte tale conoscenza in regole che possono essere aggiunte alla Knowledge Base del sistema.
Dopo questa fase iniziale, il sistema lavora autonomamente, interagendo con l’ambiente per percepire il suo stato e applicando le regole memorizzate nella Knowledge Base per decidere la migliore azione successiva da intraprendere (cosa dovrei fare adesso in base a ciò che so?).
Oltre a utilizzare i dati dei sensori, il controllore basato su regole sfrutta le previsioni meteorologiche e di occupazione per adattarsi in modo proattivo alle condizioni previste dell’ambiente. Per esempio, preriscalda la zona se nelle prossime ore si prevede un’occupazione e una bassa temperatura esterna.
Risultato
Come dimostrato durante il nostro programma di ricerca, il nostro controllore basato su regole è stato in grado di migliorare il livello di comfort della zona, riducendo allo stesso tempo il consumo energetico del sistema HVAC senza alcun intervento umano. L’algoritmo di ottimizzazione ha tenuto conto anche della produzione di energia da fonti rinnovabili, sfruttando al massimo l’irradiazione solare quando disponibile.
Inoltre, la possibilità di prevedere le condizioni meteorologiche e di occupazione ha rappresentato un fattore significativo per aumentare l’efficienza energetica, ad esempio sfruttando l’inerzia termica dell’edificio alla fine della giornata lavorativa.
Monitoraggio del controllore
I due pannelli del cruscotto del controllore qui sotto sono stati utilizzati per monitorare la temperatura interna e le azioni intraprese. Il controllore preriscalda l’ufficio se la zona è fredda e sarà occupata nelle prossime ore. Sfrutta al meglio la produzione fotovoltaica quando l’irraggiamento è sufficiente e interrompe il riscaldamento quando è il momento di sfruttare l’inerzia termica dell’edificio fino alla fine della giornata lavorativa.
I pannelli del comfort ci hanno permesso di monitorare il comfort in modo approfondito, ad esempio seguendo l’evoluzione degli indici Predicted Percentage of Dissatisfied (PPD) e Predicted Mean Vote (PMV) utilizzati da ASHRAE¹ per valutare il comfort termico. La PPD, indicata con una linea verde nel pannello del comfort, stima la percentuale di persone insoddisfatte dell’attuale livello di comfort (raffreddamento o riscaldamento) e deve essere inferiore al 20% durante le ore di lavoro (area grigia nei cruscotti).
¹ L’American Society of Heating, Refrigerating and Air-Conditioning Engineers. www.ashrae.org
Monitoraggio dei KPI
Era necessaria anche una visione globale delle condizioni di comfort. Abbiamo creato i seguenti cruscotti che monitorano i punteggi di comfort, ad esempio temperatura e umidità. Questi punteggi indicano la percentuale di tempo in cui le condizioni interne sono state nel range di comfort durante l’orario di lavoro.
Scarica il Case Study completo
Scopri come il nostro software di gestione dell'energia ha migliorato le prestazioni e la redditività dell'impianto