SVILUPPO DI UN MODELLO DI CONTROLLO DI UN SISTEMA HVAC BASATO SU LSTM E DEEP REINFORCEMENT LEARNING

La presente tesi illustra lo sviluppo e la validazione di un sistema di controllo avanzato per impianti HVAC, basato sull'integrazione di reti neurali ricorrenti (LSTM) e algoritmi di Deep Reinforcement Learning (DRL). Il caso di studio affrontato è il Palazzetto dello Sport di Monopoli, una struttura multi-zona caratterizzata da profili di occupazione altamente variabili e discontinui. Al fine di addestrare l'agente intelligente, basato sull'algoritmo Proximal Policy Optimization (PPO) in una configurazione multi-agente a esperti stagionali, è stato sviluppato un Gemello Digitale (Digital Twin) ad alta fedeltà. Tale ambiente di simulazione integra un modello termico dell'involucro a parametri concentrati (rete RC 3R2C) e la modellazione termodinamica delle pompe di calore e dei sistemi di ventilazione meccanica. L'obiettivo della ricerca è superare i limiti strutturali, come la cecità predittiva e la rigidità parametrica, dei sistemi di automazione convenzionali (BMS). Il sistema proposto mira a ottimizzare simultaneamente l'efficienza energetica, la qualità dell'aria interna (IAQ) e il comfort termoigrometrico, nel rigoroso rispetto dei vincoli normativi vigenti (DPR 74/2013, UNI EN 16798-1 e protocolli CONI 1379). I risultati della simulazione annuale dimostrano che il sistema predittivo LSTM-DRL è in grado di ridurre i consumi elettrici del 16,4% rispetto a un controllore deterministico avanzato (BACS di Classe B secondo UNI EN ISO 52120-1:2022), apprendendo e sfruttando autonomamente strategie quali il pre-condizionamento termico anticipato, il load shifting e l'ottimizzazione del free-cooling entalpico.