Model predictive schemes based on neural networks for building heating control

For several years, the spread of renewable energy sources, as well as the introduction of government incentives aimed at increasing the adoption of heating solutions with low environmental impacts, have encouraged the use of heat pump based systems. This document focuses on researching and testing neural network-based optimal control solutions to guarantee better performances from these systems. ewline A brief introduction of the analysed building is followed by a full description of the two developed control schemes. The first one uses a standard nonlinear solver to tackle the neural network-based optimal control problem, which has been formulated using the symbolic CasADi framework. The second one scheme involves the solution of a quadratic optimization problem, obtained through the linearization of a neural network along a predicted trajectory, with a linear solver. A performance comparison is then given between the proposed schemes and those obtained through a nonlinear predictive controller to highlight each solution's pros and cons. Finally, the impact on performances that an accurate disturbance estimation could guarantee is shown, together with a measurement of the computational effort required to solve those optimal problems.

Da diversi anni, l'utilizzo sempre più diffuso di fonti energetiche rinnovabili e l'introduzione di incentivi per l'acquisto di soluzioni di riscaldamento a basso impatto ambientale hanno favorito la diffusione di impianti basati su pompa di calore. Questo elaborato si concentra sulla ricerca e sperimentazione di nuove soluzioni mirate al controllo ottimo di questi sistemi tramite l'utilizzo di reti neurali artificiali. La trattazione riporta, dopo una breve descrizione dell'edificio analizzato, la struttura dei due schemi di controllo predittivo sviluppati. Il primo schema fa uso di un comune solutore non lineare per risolvere il problema di controllo ottimo basato su una rete neurale, formulato simbolicamente con l'ausilio del framework CasADi. Il secondo schema prevede la soluzione di un problema lineare quadratico ottenuto dalla linearizzazione della rete neurale attorno ad una traiettoria stimata. È inoltre riportato un confronto tra le prestazioni ottenute tramite le strutture di controllo presentate e quelle ottenute tramite l'ausilio di un controllore predittivo non lineare, permettendo di analizzare i pro e i contro di ciascuna. Segue una valutazione del possibile beneficio apportato da un'accurata stima dei disturbi futuri agenti sul sistema, ed un'analisi dei tempi di esecuzione di ciascun algoritmo.