⚡ electrical engineering

Reducing Building Heat Demand Through Intelligent Control: A Comparative Simulation Study

Questo studio dimostra, attraverso simulazioni comparative, che una strategia di controllo predittivo basata sul modello che dia priorità al tracciamento del comfort termico può ridurre il fabbisogno di riscaldamento dell'edificio in modo più efficace rispetto a una che minimizzi la potenza di riscaldamento, offrendo un'alternativa conveniente al rifacimento strutturale.

Autori originali: Ueli Schilt, Curtis Meister, Philipp Schuetz

Pubblicato 2026-06-17

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Ueli Schilt, Curtis Meister, Philipp Schuetz

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La visione d'insieme: L'esperimento del termostato intelligente

Immaginate che il sistema di riscaldamento di casa vostra sia come un automobilista. Per decenni, la maggior parte dei conducenti (i controllori tradizionali del riscaldamento) ha guidato basandosi solo sul meteo esterno. Se fa freddo, premono l'acceleratore; se fa caldo, alzano il piede. Non guardano davvero quanto velocemente stia andando l'auto o quanto carburante stiano sprecando.

Questo articolo si pone una domanda semplice: E se dessimo al conducente un GPS e una mappa della strada davanti a sé?

I ricercatori hanno testato due diversi "conducenti intelligenti" (chiamati Model Predictive Controllers, o MPC). Entrambi i conducenti hanno una mappa (un modello informatico della casa) e le previsioni del tempo. Entrambi vogliono mantenere la casa a una temperatura confortevole di 20°C. Tuttavia, hanno obiettivi diversi su come guidare:

Conducente A (Il "Cruiseraniente"): L'obiettivo principale di questo conducente è evitare di schiacciare il pedale dell'acceleratore. Vuole mantenere l'accelerazione (la potenza di riscaldamento) il più bassa e costante possibile. Ha paura di usare "troppa potenza" in un singolo momento.
Conducente B (Il "Navigatore di Precisione"): L'obiettivo principale di questo conducente è rimanere esattamente sulla linea della corsia (la temperatura target). Non gli importa se deve schiacciare forte il pedale dell'acceleratore per qualche secondo per tornare in carreggiata; vuole solo essere perfetto nel mantenere i 20°C.

La configurazione: Una casa virtuale

Poiché non potevano testare questo esperimento su una casa reale senza rischiare il comfort degli inquilini, i ricercatori hanno costruito una casa virtuale all'interno di un computer.

Hanno utilizzato un "regolamento" dettagliato (ISO 52016) per simulare come una vera casa a Zurigo, in Svizzera, reagirebbe al clima invernale.
Hanno creato un "modello mentale" più semplice e veloce (il modello RC) che i conducenti intelligenti hanno usato per prendere le loro decisioni.
Hanno eseguito una simulazione di 6 giorni di meteo invernale per vedere quale conducente si fosse comportato meglio.

I risultati: Il colpo di scena sorprendente

Si potrebbe pensare che il conducente che cerca di risparmiare energia (il Conducente A) utilizzi meno carburante. Sorprendentemente, non è stato così.

Ecco cosa è successo durante i 6 giorni:

Conducente A (Il "Cruiseraniente"):
- Strategia: Poiché veniva penalizzato per l'uso di alta potenza, non ha mai usato la piena forza del riscaldatore (è rimasto sotto i 7,1 kW). Ha cercato di essere delicato.
- Il problema: Essendo così delicato, la temperatura della casa si è allontanata dal target. Diventava un po' troppo fredda, poi aggiungeva un po' di calore, poi diventava di nuovo un po' troppo fredda.
- Il costo: Anche se è stato "delicato", alla fine ha consumato più energia totale (603 kWh). È come guidare lentamente ma in modo inefficiente, percorrendo un sentiero tortuoso che brucia più benzina nel lungo periodo.
Conducente B (Il "Navigatore di Precisione"):
- Strategia: Non gli è dispiaciuto dare gas forte (fino a 10 kW) per brevi periodi per correggere rapidamente la temperatura.
- Il risultato: La temperatura della casa è rimasta molto vicina al target (20°C).
- Il costo: Nonostante l'uso di "scatti" di potenza più forti, ha effettivamente consumato meno energia totale (590 kWh). È come prendere una rotta diretta e veloce che ti porta a destinazione più rapidamente e con un consumo totale di carburante inferiore.

Il "Perché": La penalità al quadrato

Perché il conducente "delicato" ha consumato più energia? I ricercatori hanno trovato il colpevole nella matematica utilizzata per giudicare il Conducente A.

Il computer ha detto al Conducente A che usare molta potenza tutta in una volta era "molto male" perché la matematica elevava al quadrato il numero.

Se usi 1 unità di potenza, il punteggio di "bruttezza" è 1.
Se usi 10 unità di potenza, il punteggio di "bruttezza" non è 10; è 100.

Poiché il punteggio per l'alta potenza era così spaventoso, il Conducente A era terrorizzato dall'usarla. Questo lo ha costretto a usare una strategia lenta e inefficiente che manteneva la casa leggermente scomoda e sprecava energia. Il Conducente B, che non aveva paura dell'alta potenza, poteva usare "brevi e intensi scatti" per correggere la temperatura rapidamente, il che si è rivelato complessivamente più efficiente.

La conclusione

L'articolo conclude con due punti principali:

Il controllo intelligente funziona: È possibile mantenere una casa molto confortevole senza grandi ristrutturazioni strutturali (come l'aggiunta di isolamento) semplicemente usando software intelligenti.
L'obiettivo è fondamentale: Il modo in cui si dice al computer cosa ottimizzare cambia il risultato. Se dici al computer di "evitare l'alta potenza a tutti i costi", potrebbe in realtà sprecare più energia. Se gli dici di "mantenere la temperatura perfetta", potrebbe trovare un modo più efficiente per farlo.

In breve: Avere troppa paura di usare molta potenza proprio ora può in realtà costarti più energia nel lungo periodo.

Sintesi Tecnica: Riduzione della Domanda di Calore negli Edifici attraverso il Controllo Intelligente

Problema
Il riscaldamento degli spazi costituisce la componente dominante del consumo energetico negli edifici. Sebbene il rifacimento strutturale riduca efficacemente la domanda, esso è spesso costoso e richiede molto tempo. La letteratura esistente suggerisce che la sostituzione dei controllori convenzionali di compensazione meteorologica (controllori a curva di riscaldamento) con strategie intelligenti di Controllo Predittivo basato su Modello (MPC) possa ridurre significativamente l'energia termica. Tuttavia, la maggior parte degli studi confronta l'MPC con metodi di controllo convenzionali. Esiste una lacuna nella comprensione di come la specifica formulazione della funzione obiettivo dell'MPC influenzi il compromesso tra comfort termico (tracciamento della temperatura) e domanda di calore. In particolare, non è chiaro se dare priorità al rigoroso tracciamento della temperatura rispetto alla minimizzazione della potenza di riscaldamento produca risultati energetici differenti.

Metodologia
Lo studio impiega un approccio di simulazione comparativa utilizzando un modello di edificio virtuale per generare dati sintetici ad alta risoluzione.

Impianto Virtuale: Un modello termico edilizio dettagliato basato sulla norma ISO 52016-1 è stato implementato in Python per simulare un edificio residenziale a due piani di 100 m² a Zurigo, Svizzera, durante un periodo di tre mesi (gennaio–marzo 2020). Questo "modello ISO" ha generato dati di misurazione sintetici utilizzando input meteorologici e un semplice controllore di riscaldamento lineare.
Modello del Controllore Interno: Un modello semplificato a nodo singolo Resistenza-Capacità (RC) (1-R-1-C) è stato parametrizzato utilizzando i dati sintetici del modello ISO. Questo modello RC funge da modello di impianto interno per il controllore MPC, implementato in MATLAB.
Simulazione MPC: Due distinte strategie MPC sono state simulate su un periodo di 144 ore (6 giorni) utilizzando l'MPC Toolbox di MATLAB. Entrambe le strategie hanno utilizzato lo stesso orizzonte di predizione (12 ore), lo stesso orizzonte di controllo (12 ore) e gli stessi vincoli fisici (limiti di potenza di riscaldamento, limiti di temperatura). Esse differivano esclusivamente per i pesi della funzione obiettivo quadratica:
- Simulazione A (Minimizzazione della Potenza): Ha dato priorità alla minimizzazione della potenza di riscaldamento ( $w_{\dot{Q}_h}=1, w_{T_i}=0$ ).
- Simulazione B (Tracciamento del Comfort): Ha dato priorità al tracciamento della temperatura ambiente di riferimento ( $w_{\dot{Q}_h}=0, w_{T_i}=1$ ).
  Entrambe hanno mantenuto una temperatura di riferimento di 20,0°C (18,0°C durante la notte) e hanno rispettato i limiti di comfort ( $T_{ref} \pm 0,5^\circ\text{C}$ fino a $+5,0^\circ\text{C}$ ).

Risultati Chiave
I risultati della simulazione su sei giorni hanno rivelato caratteristiche prestazionali distinte tra le due strategie:

Comfort Termico: La Simulazione B (tracciamento del comfort) ha ottenuto una regolazione della temperatura superiore, con un errore quadratico medio (RMSE) di 0,30°C, rispetto allo 0,82°C della Simulazione A.
Dinamica della Potenza di Riscaldamento: La Simulazione A ha evitato valori estremi di potenza di riscaldamento, non superando mai i 7,1 kW. Al contrario, la Simulazione B ha utilizzato frequentemente la massima potenza di riscaldamento consentita di 10 kW per correggere rapidamente le deviazioni di temperatura.
Consumo Energetico: Controintuitivamente, la Simulazione A (minimizzazione della potenza) ha prodotto una domanda cumulativa di energia termica più elevata (603 kWh) rispetto alla Simulazione B (590 kWh). La Simulazione B ha ottenuto una riduzione del 2% nell'uso totale di energia nonostante l'utilizzo di una potenza di picco più elevata.
Vincoli: Entrambe le strategie hanno rispettato con successo tutti i definiti vincoli di potenza di riscaldamento e di temperatura.

Significatività e Rivendicazioni
L'articolo sostiene che la scelta della formulazione della funzione obiettivo sia un determinante critico delle prestazioni del sistema nel controllo edilizio basato su MPC.

Novità: Lo studio evidenzia che, sebbene l'MPC sia tipicamente formulato per minimizzare i costi o l'energia, l'applicazione esclusiva per il tracciamento del setpoint (Simulazione B) è un approccio insolito che ha prodotto risultati inaspettati.
Meccanismo di Risparmio Energetico: Gli autori attribuiscono il minor consumo energetico del controllore di tracciamento del comfort alla natura quadratica dell'obiettivo di minimizzazione della potenza. Elevando al quadrato il termine della potenza di riscaldamento, la funzione di costo penalizza sproporzionatamente i tassi di potenza elevati, costringendo il controllore a evitare input estremi. Questa evitazione porta a un profilo di riscaldamento più graduale e meno efficiente che, in ultima analisi, consuma più energia totale. Al contrario, il controllore di tracciamento del comfort utilizza scariche di alta potenza per mantenere un controllo stretto della temperatura, il che si rivela più efficiente dal punto di vista energetico in questo specifico contesto di simulazione.
Implicazioni: I risultati suggeriscono che l'MPC può raggiungere elevati livelli di comfort termico senza compromettere la domanda energetica, e potenzialmente riducendola, senza apportare modifiche strutturali all'involucro edilizio. Tuttavia, gli autori notano con cautela che tali risultati sono specifici per l'edificio virtuale simulato e le condizioni ambientali, e che l'influenza della formulazione della funzione obiettivo (ad esempio, l'uso di obiettivi non quadratici o della minimizzazione diretta dell'energia) richiede ulteriori indagini.