Sviluppo e validazione di strategie di controllo intelligente basate su algoritmi di machine learning per la produzione di acqua calda sanitaria mediante pompa di calore

La presente tesi magistrale si concentra sull’analisi e l’ottimizzazione di un sistema ibrido ad alta efficienza per la produzione di acqua calda sanitaria (ACS), adottando come caso studio l’Osservatorio Climatico ENEA di Lampedusa. L’isola di Lampedusa, come molte piccole realtà insulari italiane, non è interconnessa alla rete elettrica nazionale e dipende quasi esclusivamente da generatori diesel per la produzione di energia. Ciò comporta elevati costi di generazione, vulnerabilità in caso di interruzioni logistiche e un forte impatto ambientale in termini di emissioni di CO2. L’obiettivo della tesi è valutare il potenziale del Reinforcement Learning (RL) come strategia avanzata di controllo per ottimizzare l’integrazione tra pompa di calore, accumulo termico ed elettrico e impianto fotovoltaico (FV), riducendo il fabbisogno di energia da fonti fossili e aumentando l’autosufficienza energetica. Il modello è stato sviluppato in Python con libreria Gymnasium, adottando stati finiti su tre variabili principali: temperatura dell’accumulo termico, potenza FV e ora del giorno. Sono stati implementati due scenari distinti per la pompa di calore: COP costante e COP variabile, quest’ultimo calcolato in funzione delle condizioni operative interne ed esterne. Le simulazioni hanno evidenziato che l’approccio RL, specialmente con COP variabile, consente di ottenere reward complessive più elevate rispetto al controllo rule-base, gestendo in maniera dinamica i profili di consumo e di produzione FV. Questo approccio risulta particolarmente promettente per contesti off-grid come Lampedusa, dove l’autonomia energetica e la riduzione delle emissioni sono priorità strategiche per la transizione energetica.