L'evoluzione della Smart Building Automation

I sistemi di automazione degli edifici intelligenti si sono evoluti da semplici controllori logici programmabili a sofisticate reti distribuite che integrano sensori, attuatori e analisi basate su cloud. Questi sistemi gestiscono l'illuminazione, HVAC, sicurezza e altri sottosistemi in tempo reale, mirando a migliorare l'efficienza operativa mantenendo un ambiente confortevole per gli occupanti.

Con la proliferazione dei dispositivi IoT, gli edifici generano ora vasti flussi di dati sull'occupazione, sull'utilizzo del tempo, sull'energia e sullo stato delle attrezzature. Questa ricchezza dei dati, tuttavia, pone una sfida: come elaborare e sfruttare per un controllo ottimale. I controller tradizionali basati sulle regole o PID cadono brevi quando si affrontano interazioni dinamiche e non lineari tra i sottosistemi.

Fondamenti di ottimizzazione multi-oggettiva

L'ottimizzazione dei genitori (MOO) si occupa di problemi che hanno due o più funzioni oggettive da minimizzare o massimizzare simultaneamente. Nel contesto di edifici intelligenti, gli obiettivi tipici includono la riduzione del consumo energetico, la massimizzazione del comfort termico (misurato tramite indici PMV o PPD), la riduzione delle emissioni di carbonio e la riduzione dei costi operativi.

I metodi di apprendimento multi-oggettistici possono essere espressi come minimi (o massimizzanti) \(\mathbf{F}(\mathbf{x}) = [f 1(\mathbf{x}), f 2(\mathbf{x}), \ldots, f k(\mathbf{x})]\)\)\)

Pareto Optimality Spiegato

Il concetto di Pareto ottimale, chiamato dall'economista Vilfredo Pareto, è centrale per MOO. Una soluzione è Pareto ottimale se non esiste altra soluzione fattibile che migliora almeno un obiettivo senza degradare un altro. L'insieme di tutte queste soluzioni forma il Pareto anteriore. Per l'automazione degli edifici, questo significa che per qualsiasi dato livello di consumo energetico, il sistema può trovare la strategia di controllo che massimizza il comfort (o minimizza il disagio) senza sprendere l'energia.

Metodi per risolvere i problemi multi-oggettivi

Esistono tre ampie categorie di metodi MOO: metodi a priori, dove le preferenze sono specificate prima dell'ottimizzazione (ad esempio, somma ponderata); metodi a posteriori, che generano l'intero fronte di Pareto e permettono al decisore di scegliere in seguito (ad esempio, NSGA-II, MOPSO); e metodi interattivi, dove le preferenze sono incorporate iterativamente.

Avanzamenti recenti in tecniche di ottimizzazione multi-oggettiva

Negli ultimi dieci anni sono stati registrati progressi significativi nello sviluppo algoritmico di MOO, guidato dalle esigenze di complessi sistemi di ingegneria e dalla disponibilità di risorse di calcolo più potenti.

Algoritmi evolutivi

Gli algoritmi evolutivi (EA) sono metaeuristici basati sulla popolazione ispirati all'evoluzione biologica, che applicano in modo iterativo la selezione, il crossover e la mutazione per migliorare una serie di soluzioni candidate.

Algoritmi genetici per il controllo degli edifici

Gli algoritmi genetici (GA) sono particolarmente efficaci per l'ottimizzazione degli edifici grazie alla loro capacità di gestire variabili non lineari, multimodali e discreti. Ad esempio, un GA può ottimizzare simultaneamente le temperature di setpoint, le posizioni di ammortizzatore e i programmi di illuminazione. Uno studio di Jahangiri e Allinson (2020)]] ha dimostrato che una soluzione multi-oggettiva di risparmio energetico 25%

Ottimizzazione delle particelle di ronzio

L'ottimizzazione dello swarm delle particelle (PSO) simula il comportamento sociale degli uccelli che affollano o scompongono i pesci. Ogni particella regola la sua posizione in base alla sua soluzione più nota e alla soluzione più nota dello swarm. Nella variante multi-oggettiva (MOPSO), un archivio memorizza soluzioni non-dominate e le particelle sono guidate verso regioni meno affollate dello spazio obiettivo.

Approcci di apprendimento della macchina

L'apprendimento automatico (ML) migliora MOO in due modi principali: costruendo modelli surrogate accurati di dinamiche di costruzione, e imparando preferenze occupanti o profili di comfort. Modelli di surrogati, come i processi gaussiani o reti neurali, sostituire simulazioni basate su calcoli complessivamente costosi, rendendo possibile la simulazione in tempo reale di migliaia di ottimizzazione.

Inoltre, ML può indurre il comfort individuale dell'occupante dalla temperatura della pelle, dal battito cardiaco o anche dall'espressione del viso, consentendo un controllo personalizzato. Un controller multi-oggettivo che incorpora tali modelli può bilanciare il risparmio energetico contro il comfort di occupanti specifici in una zona. In un recente progetto al National Renewable Energy Laboratory (NREL)], i ricercatori hanno combinato il rafforzamento dell'apprendimento con MOO per creare decisioni auto-autorigenerazione.

Metodi ibridi

I metodi ibridi combinano i punti di forza di EAs, ML e programmazione matematica. Ad esempio, si può utilizzare un GA per esplorare il fronte Pareto a livello globale, quindi affinare le regioni promettenti con la programmazione quadratica sequenziale o l'ottimizzazione Bayesiana. Un altro approccio è quello di integrare una rete neurale all'interno di un algoritmo MOO per regolare i tassi di crossover o mutazione basati sulla diversità della popolazione.

Applicazioni e vantaggi in Smart Building Systems

L'implementazione pratica dell'ottimizzazione multi-oggettiva in edifici intelligenti offre vantaggi tangibili in diversi domini, evidenziando le applicazioni più impattanti.

Gestione dell'energia e riduzione del carico di picco

Ottimizzazione del consumo energetico è l'applicazione più immediata. Formulando il problema come un trade-off multi-oggettivo tra il costo energetico e il comfort degli occupanti, i controller possono ridurre le bollette elettriche del 20-30% negli edifici commerciali tipici.Le formulazioni più avanzate includono anche segnali di risposta della domanda, il prezzo del tempo di utilizzo e la generazione rinnovabile in loco.

Occupazione Comfort e produttività

Il comfort del lavoro non è un singolo metrico; comprende aspetti termici, visivi, acustici e di qualità dell'aria interna. L'ottimizzazione multi-oggettiva permette al sistema di affrontarli simultaneamente. Ad esempio, un ottimizzatore potrebbe scegliere di abbassare il punto di temperatura durante un pomeriggio soleggiato per compensare l'abbagliamento, mentre la regolazione delle posizioni cieche e delle luci dimmeranti.

Sicurezza e sicurezza

I sistemi di sicurezza, come il controllo degli accessi e la sorveglianza, devono bilanciare il consumo di energia, il tempo di risposta e i tassi di allarme falsi. In un edificio intelligente, lo stesso quadro di ottimizzazione può essere esteso per includere gli obiettivi di sicurezza. Ad esempio, dopo le ore, le telecamere possono passare a una risoluzione inferiore per risparmiare energia, ma mantenere ancora l'accuratezza di rilevamento.

Sfide e soluzioni di attuazione

I sistemi di automazione di edifici reali sono in grado di risolvere i problemi di elaborazione e di risolvere i problemi multi-oggetti con decine di variabili ogni pochi minuti possono essere troppo lenti per il controllo in tempo reale.

Le direzioni future

In primo luogo, l'integrazione di feedback occupante tramite smartphone o indossabili permetterà sistemi di imparare i modelli di comfort personali continuamente. Questa personalizzazione trasformerà l'ottimizzazione da un approccio basato su setpoint a uno scenario umano-in-the-loop. In secondo luogo, l'aumento di sistemi digitali twin controller - una replica virtuale dell'edificio che consente di interrompere in tempo reale lo stato offline.

Già, la Direttiva Europea sulle Performance Energetiche degli Edifici (EPBD) incoraggia l'adozione di indicatori di prontezza intelligenti che valutano la capacità di un edificio di ottimizzare energia e comfort. In futuro, possiamo vedere MOO diventare una componente standard del software di gestione degli edifici, integrato in prodotti di aziende come Siemens, Johnson Controls e Schneider Electric.

Conclusioni

I progressi nell'ottimizzazione multi-oggettiva stanno rimodellare i sistemi di automazione di edifici intelligenti. Passando oltre il controllo di un singolo obiettivo, i gestori di edifici possono raggiungere un ambiente equilibrato e reattivo che migliora l'efficienza energetica, il comfort degli occupanti e i costi operativi simultaneamente. Lo sviluppo di algoritmi evolutivi, surrogate di machine learning, e le tecniche ibride ha reso possibile l'ottimizzazione in tempo reale, anche per grandi edifici commerciali.