• Cogeneration
• Domestic energy
• Energy management
• Energy modelling
• Energy storage
• Machine Learning (ML)
• Mixed Integer Linear Programming (MILP)
• Optimization
• Support Vector Machine (SVM)

In un contesto di transizione energetica, la pianificazione e gestione operativa a breve termine di un sistema multi-energia (MES) svolge un ruolo centrale per minimizzare i costi di gestione.
Lo studio si articola in due parti; la prima riguarda la modellazione del problema di ottimizzazione della gestione del sistema energetico, risolto utilizzando tecniche allo stato dell'arte come Mixed Integer Linear Programming (MILP). La seconda parte dell'analisi riguarda l'addestramento di un algoritmo di Machine Learning (ML), Support Vector Machine (SVM), in grado di gestire correttamente il MES con tempi calcolo e risorse computazionali richieste molto inferiori a quelle associate alla risoluzione del problema di ottimizzazione.
Il risultato principale della tesi è stato quello di testare la metodologia proposta e quantificare l'errore compiuto dal ML rispetto all'utilizzo del MILP per l'identificazione della gestione ottima del MES. La maggiorazione della spesa totale è risultata tra l'1-5% rispetto al MILP, con l'1% rappresentato dal caso con storage termico (TES) che permetteva anche l'attenuazione degli errori previsionali, circa il 2% rappresentato dal caso con impianto fotovoltaico (PV) che introduce aleatorietà nelle previsioni, mentre il 5% è rappresentato dalla gestione senza TES.