Gestione di un sistema HSS tramite Maximum Entropy Inverse Reinforcement Learning

Negli ultimi anni, con l'aumento dell'utilizzo di fonti rinnovabili, è diventato sempre più importante trovare sistemi capaci di accumulare energia per gestire al meglio la differenza tra produzione e consumo. Per questo motivo, l’idrogeno si sta rivelando una risorsa strategica, perché permette di immagazzinare energia prodotta in eccesso e di usarla quando serve. In questa tesi viene trattata l'ottimizzazione della gestione economica di un sistema di stoccaggio a idrogeno (Hydrogen Storage System, HSS), utilizzando tecniche come il Reinforcement Learning (RL) e l'Inverse Reinforcement Learning (IRL), in particolare sul metodo Maximum Entropy IRL. Per il lavoro di ricerca è stato realizzato un ambiente simulato, basato sulla libreria Gymnasium, che riproduce un impianto formato da un elettrolizzatore, una cella a combustibile e un serbatoio per l’idrogeno. Il modello sviluppato è in grado di imparare come gestire in modo ottimale la produzione, lo stoccaggio e la vendita di energia, con l’obiettivo di aumentare i profitti e ridurre gli sprechi. Sono stati messi a confronto diversi algoritmi, come Proximal Policy Optimization (PPO) e Deep Q-Network (DQN). Dai test è emerso che PPO offre maggiore stabilità e risultati migliori in scenari complessi. Inoltre, l’approccio IRL ha dimostrato di saper generare strategie più affidabili ed efficienti rispetto al solo RL, soprattutto in contesti dinamici e incerti. Per la ricerca sono stati utilizzati de dati simulati, visto che non sono ancora disponibili dataset industriali reali su larga scala. I risultati confermano il potenziale dell’IRL per migliorare la gestione dell’energia e rappresentano un passo in avanti verso soluzioni più sostenibili per la transizione energetica.