Predictive Building Temperature Control under Model Uncertainties with Kalman Filter and Reinforcement Learning

The primary objective of this thesis is to establish a comprehensive methodology for modeling and optimally controlling indoor temperature dynamics in buildings, leveraging minimal input data. The methodology begins with an identification procedure employing a Machine Learning agent. This agent utilizes Bayesian optimization to determine optimal gains for an Extended Kalman Filter, thereby enhancing the efficiency of parameter estimation for uncertain variables. In the second phase, a real-time control system is developed to regulate indoor temperatures using a Model Predictive Control (MPC) approach. The MPC controller's hyperparameters are optimized using a Reinforcement Learning agent, ensuring adaptive and effective temperature regulation. By integrating these approaches, the thesis aims to provide a robust framework for achieving energy-efficient and comfortable indoor environments, even with limited initial information.

Lo scopo principale di questa tesi è sviluppare una procedura generale per modellare e controllare ottimamente il comportamento della temperatura all'interno degli edifici, utilizzando il minor numero possibile di informazioni iniziali. La procedura prevede una fase di identificazione in cui un agente di Machine Learning trova i migliori guadagni per un Extended Kalman Filter (EKF) tramite Bayesian optimization, al fine di stimare più rapidamente i parametri più incerti. La seconda parte della tesi consiste nello sviluppo di un controllore che può essere impiegato in un sistema in tempo reale per regolare la temperatura all'interno dell'edificio utilizzando un approccio di Model Predictive Control (MPC), dove gli iperparametri sono determinati da un secondo agente di Reinforcement Learning. Integrando questi approcci, la tesi mira a fornire un approccio robusto per regolare in maniera efficiente dal punto di vista energetico la temperatura di ambienti interni, anche con informazioni iniziali limitate.