Skip to main content
Foto di Igor Omilaev su Unsplash

Autore: Francesco Giuseppe Lefosse

L’intelligenza artificiale rappresenta una delle più affascinanti e rivoluzionarie frontiere della tecnologia moderna. Negli ultimi anni, i progressi in algoritmi di machine learning, reti neurali e big data hanno trovato applicazione in molteplici settori, dalla medicina alla finanza, dall’industria manifatturiera all’Internet of Things (IoT).  Tra queste applicazioni, uno degli ambiti più promettenti è l’integrazione tra sistemi HVAC (Heating, Ventilation, and Air Conditioning) e AI.

Gli impianti HVAC (Heating, Ventilation, and Air Conditioning) hanno conosciuto un’importante evoluzione grazie all’integrazione dell’intelligenza artificiale. L’adozione di questa tecnologia non solo ottimizza le prestazioni dei sistemi, ma contribuisce significativamente anche al miglioramento dell’efficienza energetica e del comfort ambientale. Questo articolo esplora le principali applicazioni dell’AI nei sistemi HVAC, analizzando benefici, sfide tecniche e prospettive future.

L’intelligenza artificiale applicata agli impianti HVAC

L’intelligenza artificiale consente monitoraggio in tempo reale, analisi predittiva e automazione dei processi, rendendo i sistemi HVAC più efficienti e reattivi alle esigenze degli utenti, grazie alla diffusione di sistemi di controllo sempre più sensibili e precisi. Attraverso l’integrazione di sensori avanzati, i sistemi AI sono in grado di:

  • Raccogliere dati da sonde ambientali e termostati;
  • Creare una replica digitale dell’impianto reale (digital twin) per il monitoraggio continuo e da remoto;
  • Adattarsi dinamicamente alle esigenze degli utenti.

Laddove gli involucri e gli impianti sono obsoleti e poco performanti, il margine di intervento è ampio: vi è un ventaglio di possibili interventi migliorativi e il monitoraggio risulta, spesso, in coda alla lista delle priorità. Al contrario, in edifici moderni e in linea con i requisiti normativi, il miglioramento si può raggiungere solo ottimizzando usi e consumi energetici

L’AI funge da ponte fra la parte fisica e quella digitale del sistema HVAC: una volta ricevuti i dati dai sensori in campo, apprende e modifica autonomamente le azioni da intraprendere, trasmettendole al digital twin che a sua volta le attuerà sull’impianto reale. 

Passando alla relazione fra modello e strumenti di campo, a differenza dei sistemi tradizionali, l’integrazione dell’intelligenza artificiale permette di allargare il set dei parametri non solo a quelli fisici misurabili ma anche a quelli meno tangibili, non traducibili con un’unità di misura. Fra questi possiamo annoverare il comportamento e le preferenze dell’utente finale, la generazione in autonomia di profili di occupazione, l’adattamento al carico ambiente attraverso la previsione delle condizioni meteorologiche. Così facendo, mentre in passato era possibile intervenire solo nel miglioramento della prestazione delle apparecchiature, con l’AI si può anche quantificare, monitorare e gestire il comfort termico

Entrando più nel dettaglio, l’intelligenza artificiale offre applicazioni concrete per migliorare le prestazioni dei sistemi HVAC, grazie alle rilevazioni dei parametri ambientali e di funzionamento dell’impianto, tra cui:

  • Controllo della qualità dell’aria interna (in immissione o ricircolo);
  • Regolazione della temperatura ambiente;
  • Ottimizzazione dell’uso dell’aria esterna per ridurre i consumi.
Impianti hvac: sistema di controllo e relativi punti di rilevazione per feedback.

Figura 1. Sistema di controllo e relativi punti di rilevazione per feedback.

Come funzionano i sistemi AI negli impianti HVAC

L’AI applicata all’impianto HVAC ruota attorno al concetto di machine learning (ML) e la logica di funzionamento dipende dall’origine dei dati. A seconda dell’origine dei dati ingresso (input) e uscita (output), è possibile individuare quattro approcci differenti di ML da adoperare in base alle esigenze. 

  • ML supervisionato, utilizzato nel campo della previsione, che addestra il sistema a fornire degli output partendo da dati di input noti. Una valida implementazione è quella dell’ottimizzazione dei consumi energetici sfruttando un modello che possa prevedere il carico richiesto, in tempo reale, e ottimizzare le impostazioni del sistema;
  • ML non supervisionato, impiegato per organizzare l’input da fornire a un sistema supervisionato. Ottimizza la clusterizzazione dei dati e non essendo ‘addestrato’, consente di individuare correlazioni anche nascoste fra i cluster di ingresso e quelli di uscita. Trova ampio spazio nell’identificazione delle anomalie, poiché mette in evidenza dati che esulano dagli schemi evidenti;
  • ML semi-supervisionato, una combinazione dei primi due approcci, utilizzato per affinare la classificazione dei dati e migliorare l’accuratezza dei modelli di previsione, grazie alla possibilità di sfruttare input etichettati e non;
  • ML con rinforzo, basato su un modello dinamico, fatto di input, feedbacks e modifiche in itinere, che richiede, però, maggiori oneri computazionali ed economici per il funzionamento del processo. Il maggior esempio di questo approccio è il modello a feedback loop dinamico, che modifica l’azione a seconda del risultato dell’azione correttiva, precedentemente compiuta in ambiente. 
Figura 2. Esemplificazione del modello dinamico a feedback loop negli impianti hvac.

Figura 2. Esemplificazione del modello dinamico a feedback loop

Siamo a vostra disposizione

Scrivici per qualsiasi informazione utile.

Contattaci

Le ultime novità sul settore

Ricevi gli ultimi articoli del nostro blog sulla tua mail

Iscriviti

Benefici dell’integrazione AI-HVAC

Può essere utile valutare complessivamente i benefici energetici e ambientali conseguibili grazie all’integrazione tra sistemi HVAC e AI. Secondo uno studio del luglio 2024 Potential of artificial intelligence in reducing energy and carbon emissions of commercial buildings at scale (Chao Ding et al.), da qui al 2050, con l’intelligenza artificiale, promuovendo e incentivando sempre di più sia gli HEEB (High Energy Efficiency Building) che gli nZEB (near Zero Energy Buildings), sarà possibile ottenere un risparmio sui consumi energetici compreso fra il 21% e il 50% a seconda del grado di aggressività delle politiche implementate. Inoltre, per quanto riguarda le emissioni di CO2, tenendo bene a mente l’obiettivo di carbon neutrality entro il 2050, la riduzione potrebbe oscillare fra il 60% e il 95%. 

L’integrazione tra sistemi HVAC e AI rappresenta una soluzione concreta per migliorare l’efficienza energetica, ottimizzare il comfort ambientale e ridurre l’impatto ambientale. Grazie all’analisi predittiva e all’automazione intelligente, è possibile raggiungere notevoli risparmi energetici e contribuire agli obiettivi di carbon neutrality. Investire in sistemi di controllo avanzati basati su AI non solo permette di ottimizzare le risorse ma favorisce la sostenibilità degli edifici, promuovendo una gestione intelligente degli ambienti in cui viviamo quotidianamente.

1. UNI EN 15232-1:2017 - Prestazione energetica degli edifici - Parte 1: Impatto dell'automazione, del controllo e della gestione tecnica degli edifici
2. https://www.nature.com/articles/s41467-024-50088-4

Guarda gli ultimi progetti che abbiamo realizzato.

Progetti