Evaluating consumption effects of intelligent control algorithms for district heated buildings

Questo articolo propone un approccio basato su modelli per isolare e tracciare gli effetti specifici degli algoritmi di controllo intelligente sul consumo energetico degli edifici, superando le limitazioni dei metodi tradizionali nel distinguere tali effetti dai cambiamenti non correlati, come dimostrato su dati reali di dieci anni provenienti dalla piattaforma Danfoss Leanheat.

L'essenziale

Immagina di avere una casa che viene riscaldata da una caldaia collegata a una rete di teleriscaldamento (come un grande termosifone che arriva da lontano). Per anni, questa caldaia è stata gestita da un "vecchio manuale": una regola semplice che diceva "se fuori fa freddo, accendi il fuoco; se fuori fa caldo, spegnilo".

Poi, arriva un'azienda che ti propone un sistema intelligente. Ti dice: "Mettiamo dei sensori, un computer e un algoritmo che impara. Potremo risparmiare energia evitando di scaldare troppo quando il sole splende o quando la casa è vuota".

Il proprietario della casa è entusiasta, ma dopo un anno si chiede: "Ho davvero risparmiato? O è solo una sensazione? E quanto ho risparmiato esattamente grazie all'intelligenza artificiale, e quanto invece è successo perché ho cambiato le finestre o perché la caldaia è invecchiata?"

Questo è il problema che il documento di Antti Solonen e colleghi cerca di risolvere. Ecco la spiegazione semplice, con qualche metafora.

1. Il Problema: Il "Rumore" di Fondo

Immagina di voler misurare quanto velocemente corre un nuovo atleta. Ma c'è un problema: mentre l'atleta corre, il vento cambia, il terreno diventa fangoso e a volte l'atleta inciampa perché ha le scarpe vecchie.
Se guardi solo il tempo finale, non sai se ha corso meglio perché è più forte (il nuovo sistema intelligente) o perché il vento era a favore, o peggio, se ha corso peggio perché il terreno era fangoso.

Nel caso delle case:

• Il nuovo sistema è l'atleta.
• Il meteo è il vento.
• Le ristrutturazioni, la vecchiaia della casa o i cambiamenti nella ventilazione sono il terreno fangoso.

I metodi tradizionali per calcolare i risparmi (come guardare solo quanto fa freddo fuori) sono come guardare solo il tempo finale senza considerare il terreno. Spesso attribuiscono al "sistema intelligente" dei risparmi che in realtà sono dovuti al fatto che l'inverno è stato mite, o viceversa, nascondono i veri risparmi perché la casa ha perso efficienza per invecchiamento.

2. La Soluzione: La "Macchina del Tempo" Matematica

Gli autori propongono un metodo molto più intelligente, che potremmo chiamare "La Simulazione del Mondo Alternativo".

Invece di guardare solo i dati reali, costruiscono due modelli matematici (come due macchine del tempo):

1. Il Modello "Vecchio Mondo": Guarda i dati della casa prima che arrivasse il sistema intelligente. Impara come la casa reagiva al freddo e al sole con le vecchie regole.
2. Il Modello "Nuovo Mondo": Guarda i dati dopo l'installazione, imparando come la casa reagisce ora.

La magia sta nel fatto che questi modelli sono "flessibili" (usano una tecnica statistica chiamata GAM, che è come un elastico che si adatta perfettamente ai dati).

Come funziona il trucco?
Una volta che i modelli sono pronti, il sistema fa una domanda impossibile nella realtà ma possibile nel computer:

"Se oggi, con questo meteo e questa temperatura interna, avessimo ancora usato il vecchio sistema di controllo, quanto calore avremmo consumato?"

Il computer simula questo scenario "alternativo" giorno per giorno. Poi confronta il risultato simulato (il vecchio mondo) con la realtà (il nuovo mondo intelligente).

• La differenza tra i due è il vero risparmio dovuto solo all'intelligenza del sistema.
• Se la casa ha invecchiato o se la ventilazione è cambiata, il modello lo "vede" perché influisce su entrambi i mondi (reale e simulato) allo stesso modo, quindi si annulla nella differenza. È come se togliessi il rumore di fondo per sentire solo la musica.

3. Svelare i "Sottotitoli" del Risparmio

C'è un secondo livello di genialità. Una volta isolato il risparmio totale, gli autori mostrano come smontare il risparmio per vedere da dove arriva esattamente.

Immagina che il risparmio totale sia una torta. Il loro metodo ti dice:

• "Il 30% di questa torta è stato guadagnato perché il sole ha scaldato la casa e il sistema ha capito di spegnere i termosifoni."
• "Il 50% è stato guadagnato perché abbiamo abbassato la temperatura di notte (il famoso 'setback')."
• "Il 20% è stato guadagnato perché abbiamo corretto piccoli errori di taratura."

Questo è fondamentale perché permette al proprietario di capire quali decisioni stanno funzionando. Forse scopre che il risparmio non viene dal sole, ma dal fatto che ha deciso di tenere la casa più fresca la sera.

4. Perché è importante?

Fino a oggi, molte aziende che vendono questi sistemi intelligenti dicevano: "Abbiamo fatto risparmiare il 15%!" basandosi su stime approssimative.
Questo documento dice: "No, aspettate. Dobbiamo essere onesti. Dobbiamo separare il miracolo dell'intelligenza artificiale dai cambiamenti casuali della casa".

In sintesi:
Gli autori hanno creato un "microscopio matematico" che permette di guardare dentro i consumi di una casa, isolare esattamente quanto ha fatto il nuovo sistema intelligente e dire con certezza: "Ecco, questo è il tuo vero ritorno sull'investimento, e questo è esattamente da dove arriva."

È come avere un contabile che non solo ti dice quanto hai speso, ma ti spiega esattamente quale spesa era dovuta a un errore di calcolo e quale a un vero risparmio, ignorando tutto il "rumore" della vita quotidiana della casa.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del documento "Evaluating Consumption Effects of Intelligent Control Algorithms for District Heated Buildings", redatto in italiano.

1. Il Problema

Il settore edile è responsabile di una porzione significativa del consumo energetico globale e delle emissioni di CO2. Con l'avvento dell'Internet of Things (IoT) e della connettività, i sistemi di controllo del riscaldamento intelligenti (basati su sensori interni e algoritmi di ottimizzazione) stanno sostituendo i tradizionali controlli locali a curva di riscaldamento.
Tuttavia, sorge una sfida critica per gli utenti finali e i fornitori di servizi: come quantificare con precisione il risparmio energetico attribuibile esclusivamente all'intervento del controllo intelligente?

I metodi esistenti per la valutazione delle prestazioni (come la normalizzazione meteorologica o i framework M&V - Measurement and Verification) presentano due limiti fondamentali:

1. Mancanza di isolamento: Misurano il consumo totale dell'edificio, non riuscendo a separare gli effetti del controllo intelligente da altri cambiamenti non correlati.
2. Rumore nei dati: Gli edifici subiscono costantemente variazioni non legate al controllo (invecchiamento delle strutture, modifiche ai sistemi di ventilazione, ristrutturazioni, variazioni nell'occupazione o nel consumo di acqua calda sanitaria) che alterano il consumo energetico, rendendo difficile isolare il "segnale" del controllo intelligente dal "rumore" di fondo.

2. Metodologia Proposta

Gli autori propongono un approccio basato su modelli di simulazione per isolare e tracciare esclusivamente gli effetti legati al controllo. La metodologia si articola in diverse fasi:

A. Modellazione del Potere Termico

Vengono sviluppati modelli matematici per descrivere il consumo energetico:

• Modello basato sul meteo: Utilizza la conservazione dell'energia per correlare il consumo con la temperatura esterna ($T_{out}$), la radiazione solare ($\Phi_{rad}$) e la temperatura interna ($T_{in}$). Per gestire le non linearità (es. l'effetto della radiazione solare che diminuisce quando la temperatura esterna è alta), vengono utilizzati Modelli Additivi Generalizzati (GAM) Bayesiani.
• Modello basato sulla temperatura di mandata: Per i sistemi a controllo di sottostazione, viene derivata una relazione lineare tra la temperatura di mandata ($T_{sup}$) e il potere termico, valida nella "regime di controllo della temperatura di mandata" (tipico nei paesi nordici).

B. Isolamento degli Effetti (Approccio a Due Modelli)

Per superare i limiti dei metodi "prima-dopo" tradizionali, gli autori propongono di costruire due modelli distinti calibrati su finestre temporali specifiche (una stagione di riscaldamento prima e una dopo l'attivazione del controllo intelligente):

1. Modello di Riferimento ($m_{ref}$): Calibrato sul periodo pre-controllo. Non include $T_{in}$ come input (poiché spesso non disponibile), assumendo un livello medio di temperatura interna.
2. Modello Intelligente ($m_{ic}$): Calibrato sul periodo post-controllo, include esplicitamente $T_{in}$ come variabile di input.

L'effetto del controllo intelligente viene calcolato come la differenza tra i due modelli simulati nelle stesse condizioni meteorologiche e di temperatura interna:
$$\text{Effetto}_{ic} = m_{ic}(T_{out}, \Phi_{rad}, T_{in}) - m_{ref}(T_{out}, \Phi_{rad})$$
Sottraendo questo effetto dal consumo osservato, si ottiene una stima di ciò che il consumo sarebbe stato con il vecchio sistema, eliminando l'impatto di cambiamenti non correlati (come variazioni nella ventilazione).

C. Decomposizione degli Effetti

Il metodo permette di scomporre il risparmio totale in sottocomponenti simulando i modelli con input modificati:

• Effetto Radiazione Solare: Simulando il modello con $\Phi_{rad} = 0$.
• Effetto Setback (riduzione notturna/weekend): Simulando il modello con temperature interne costanti (senza riduzioni).
• Altri effetti: La differenza residua attribuita ad altre logiche di controllo (es. correzione della temperatura operativa).

3. Contributi Chiave

Il paper apporta quattro contributi principali alla letteratura tecnica:

1. Revisione e Derivazione dei Metodi Esistenti: Analisi critica delle tecniche di normalizzazione meteorologica (HDD) e dei modelli basati sulla temperatura di mandata, evidenziandone l'incapacità di isolare gli effetti del controllo.
2. Diagnosi dei Cambiamenti Non Correlati: Identificazione e categorizzazione di 5 tipi di variazioni non controllate (invecchiamento, modifiche alla ventilazione, manutenzione impianti, ristrutturazioni, occupazione) e dimostrazione di come rilevarle tramite analisi dei dati (es. correlazione tra umidità e consumo).
3. Metodo di Isolamento Simulativo: Proposta di una tecnica innovativa che utilizza modelli gray-box (GAM) calibrati su finestre temporali ristrette per separare gli effetti del controllo dalle altre variazioni di prestazione.
4. Decomposizione dei Risparmi: Dimostrazione di come l'approccio simulativo possa quantificare il contributo specifico di diverse strategie di controllo (es. quanta energia è stata risparmiata grazie alla radiazione solare vs. alla riduzione delle temperature interne).

4. Risultati

I metodi sono stati validati utilizzando dati reali anonimizzati raccolti per circa 10 anni dalla piattaforma Danfoss Leanheat Building su edifici residenziali multifamiliari.

• Efficacia dell'isolamento: In un caso di studio, un aumento improvviso del consumo dovuto a una modifica del sistema di ventilazione è stato correttamente identificato e "filtrato" dal metodo proposto, permettendo di vedere che il controllo intelligente aveva effettivamente ridotto i consumi (grazie alla riduzione della temperatura interna), cosa che i metodi tradizionali avrebbero nascosto.
• Decomposizione: L'analisi ha mostrato come i risparmi varino annualmente in base alla radiazione solare e come il miglioramento delle prestazioni nel tempo sia spesso guidato dalla riduzione delle temperature interne impostate dagli utenti, piuttosto che solo dall'algoritmo di controllo.
• Robustezza: Il metodo basato sui GAM ha dimostrato di gestire meglio le non linearità e le condizioni stagionali (primavera/autunno) rispetto alle normaliizzazioni HDD tradizionali.

5. Significatività e Conclusioni

Questo lavoro è significativo perché fornisce agli stakeholder del settore edile e dell'energia uno strumento rigoroso e trasparente per la verifica dei risparmi (M&V).

• Trasparenza: Permette di rispondere alla domanda fondamentale degli investitori: "Qual è stato il ritorno economico reale del mio investimento in controllo intelligente?".
• Affidabilità: Risolve il problema della confusione tra efficienza del controllo e degrado/prestazioni dell'edificio, offrendo una visione più realistica delle performance.
• Scalabilità: Sebbene focalizzato su edifici alimentati da teleriscaldamento con controllo a sottostazione, la metodologia è estendibile ad altri regimi di controllo (es. termostati a livello stanza).

Il documento conclude che, sebbene il metodo non sia privo di limitazioni (richiede periodi di calibrazione "puliti" senza altri eventi maggiori), rappresenta un avanzamento sostanziale rispetto alle pratiche attuali, aprendo la strada a strumenti di analisi più sofisticati per la gestione energetica degli edifici.