Controllo intelligente per sistemi di riscaldamento tramite tecniche di apprendimento per rinforzo

Data inizio
1 ottobre 2020
Durata (mesi) 
12
Dipartimenti
Informatica
Responsabili (o referenti locali)
Farinelli Alessandro

L'idea centrale di RL-HEAT è studiare l'uso di tecniche avanzate di Intelligenza Artificiale (IA) (ed in particolare Safe Reinforcement Learning) per sistemi cyber-fisici, concentrandosi sui sistemi di riscaldamento.
 
Negli ultimi anni la disponibilità di tecnologia avanzata per la realizzazione di sistemi ciber-fisici (Cyber-Physical Systems, CPS) e gli impressionanti progressi nell'intelligenza artificiale hanno reso i CPS intelligenti una tecnologia fondamentale in molti scenari applicativi che vanno dalla gestione dell'energia nelle smart grid, alla termoregolazione per edifici intelligenti agli scenari di produzione tipici dell’Industria 4.0. In particolare, l'applicazione dei CPS intelligenti per la gestione dell'energia termica è un punto chiave per ottenere un uso sostenibile dell'energia, ridurre la carbon footprint delle attività umane ed aumentare la produttività di questo settore industriale.
 
Un elemento cruciale per poter utilizzare con successo i CPS intelligenti in tale settore è la capacità di questi sistemi di adattare i loro comportamenti a possibili variazioni negli ambienti operativi. Un approccio ampiamente utilizzato nell'area dell'intelligenza artificiale per realizzare questo è l’Apprendimento per Rinforzo (Reinforcement Learning, RL).
 
Nel progetto RL-HEAT ci concentreremo su metodi di RL sicuri (Safe RL) per sistemi CPS intelligenti. Questi approcci mirano ad adattare il comportamento del sistema in modo da garantire (con alta
probabilità) un miglioramento delle prestazioni. Un obiettivo chiave per RL-HEAT è quello di modellare in maniera appropriata il problema del controllo per una caldaia intelligente, per poter sviluppare ed applicare nuove tecniche di Safe RL a questo scenario. Il progetto RL-HEAT si concentrerà su approcci di RL basati sulla costruzione di un modello per il sistema (e.g., Processi Decisionali di Markov Parzialmente Osservabili (POMDPs)). In questo contesto considereremo la problematica specifica dell'inserimento della conoscenza a priori all'interno del modello prendendo come punto di partenza soluzioni ad-hoc già applicate dal partner industriale per eseguire il controllo adattativo della caldaia intelligente. La valutazione empirica verrà eseguita su un prototipo di caldaia intelligente fornito dal partner industriale.
 

Enti finanziatori:

Giordano controls s.p.a.
Finanziamento: assegnato e gestito dal Dipartimento
Programma: JOINT PROJECTS

Partecipanti al progetto

Alberto Castellini
Ricercatore a tempo determinato
Alessandro Farinelli
Professore ordinario
Eros Ghignoni
Riccardo Muradore
Professore associato
Francesco Trotti
Borsista
Edoardo Zorzi
Borsista
Aree di ricerca coinvolte dal progetto
Sistemi intelligenti
Artificial intelligence
Sistemi ciberfisici
Embedded and cyber-physical systems

Attività

Strutture