ENPOWER

Cos'è

Ricerca europea sul riscaldamento di casa: dimostrare che un agente di reinforcement learning può far funzionare una pompa di calore, per l'acqua calda e per i termosifoni, consumando meno senza farti fare la doccia fredda.

Prima la fisica, poi l'AI

Non puoi addestrare un agente senza un mondo in cui sbagliare. Così ho scritto una casa finta ma seria: le dispersioni di muri, finestre, tetto e pavimento, il sole, le persone, gli elettrodomestici, la ventilazione; il serbatoio dell'acqua calda con i prelievi a orari da famiglia vera; la mappa della pompa con potenza e resa in funzione della temperatura fuori; due termostati indipendenti; la priorità all'acqua sanitaria e la protezione del compressore. Con una dashboard in tempo reale nel terminale, perché sì.

L'agente

Sopra la fisica, un ambiente Gymnasium: l'agente guarda la temperatura dentro, quella fuori e l'ora, e impara a modulare il compressore per tenere il comfort spendendo il meno possibile. L'ho addestrato prima con il metodo Cross-Entropy e poi con PPO, dentro un'app in cui imposti la casa, guardi il training avanzare e vedi i grafici della politica di controllo.

Perché è bello

Un termostato ON/OFF sa fare una cosa sola. Un agente che guarda il sole, l'ora e la doccia di stasera ne sa fare molte di più. È un contributo concreto a consumare meno energia nelle case europee, e un modello fisico di cui vado fiero.

Lo stack