AI, MCP ed edifici efficienti

Efficienza energetica e edifici

Quando si analizzano i consumi energetici globali, la quota legata agli edifici salta sempre all’occhio come una delle voci più importanti insieme all’industria e ai trasporti su strada. E tutti sappiamo quanto gli edifici siano spesso poco efficienti dal punto di vista energetico: finestre vecchie, sistemi di condizionamento che o funzionano troppo o non funzionano abbastanza, isolamento fatto da tuo cugino…

Riuscire a simulare il comportamento energetico degli edifici è quindi una sfida non indifferente sotto tanti punti di vista. Prima di tutto, costruire un modello affidabile di un edificio significa unire competenza di dominio e dati per prevedere come si comporterebbe quell’edificio in determinate condizioni, con un margine di errore tollerabile. Poi, è necessario fare in modo che il modello possa funzionare, per costruire simulazioni coerenti con quanto si vuole testare e poter registrare i risultati così da guidare gli interventi di efficienza energetica.

Building Energy Modeling made “easy”

Fortunatamente ci sono software specializzati che supportano la modellazione energetica. EnergyPlus per esempio è un tool open source che integra vari algoritmi per il calcolo del comportamento energetico di un edificio per rispondere a domande tipo:

• Se il mio edificio fosse costruito o gestito in modo diverso, come cambierebbero la capacità richiesta delle apparecchiature e i consumi energetici?
• Il mio edificio è conforme a un codice o a uno standard energetico per edifici?
• Che tipo di valutazione posso ottenere in un programma di certificazione ambientale?
• Il mio edificio funziona come era stato progettato?
• Qual è un buon obiettivo di consumo energetico per il mio edificio?

Su EnergyPlus è necessario costruire il digital twin del proprio edificio. Ovvero, serve mettere insieme muri, finestre, materiali, carichi interni, ricircoli d’aria e infiltrazioni, interazione con l’ambiente, orari delle persone, per vedere come tutte queste cose interagiscono con i consumi energetici. Oppure è possibile utilizzare modelli custom (dal 2022 si possono integrare anche quelli fatti in Python!) per simulazioni costruite con equazioni a propria scelta – tipo modelli di machine learning, ma anche sistemi esperti. Questa cosa è lunga e laboriosa, ma una volta fatta può essere utilizzata come modello di riferimento per costruire varie simulazioni con diversi input e output

Simulazioni che però devono anche loro essere configurate: e se il modello una volta fatto è per sempre, ogni simulazione necessita di una sua configurazione specifica, che può essere anche molto complessa da scrivere nel linguaggio di EnergyPlus, anche se magari a parole sarebbe semplice da descrivere

Configurare descrivendo?

Ed è qui che il paper di cui voglio raccontarvi si inserisce. Se la simulazione può essere facilmente spiegata a parole, perché non usare i LLM per supportare la costruzione della simulazione su modelli esistenti? E’ quello che Han Li, Yujie Xu e Tianzhen Hong si sono chiesti, e su cui hanno lavorato per sviluppare un Model Context Protocol (MCP) collegato ad EnergyPlus per costruire velocemente simulazioni.

Il Model Context Protocol è uno standard aperto che permette ai modelli di AI di accedere in modo sicuro, coerente e contestuale a diverse fonti di dati e strumenti esterni. In questo modo i LLM lavorano con tutto il contesto giusto e non rischiano di perdere informazioni senza integrazioni ad hoc. Un MCP server è un componente di un’architettura standardizzata per collegare i LLM o gli agenti a fonti dati, strumenti ed API esterne.

Gli autori hanno sviluppato un MCP server open-source che agisce come ponte tra la potenza di calcolo di EnergyPlus e la capacità di comprendere il linguaggio naturale dei sistemi di AI generativa. Questo espone 35 diversi tool specializzati per interagire con EnergyPlus, utilizza FastMCP per parlare con gli MCP clients dei servizi di AI generativa selezionati, e da modo all’utente di sviluppare analisi complesse da modelli già esistenti utilizzando solo il linguaggio naturale.

Il sistema agisce solo se il modello è già stato costruito, ma facilita e accelera in modo importante la fase di simulazione, ovvero quella che genera l’effettivo valore.

E quindi?

Ma bando ai tecnicismi, cerchiamo di fare qualche esempio preso dal paper per capire meglio come funziona. Nel paper sono riportati diversi esempi, con risultati molto promettenti.

Per dimostrare l’efficacia del sistema, è stata condotta un’analisi di riqualificazione energetica su un modello di edificio per uffici a cinque zone (5ZoneAirCooled.idf). Il processo si è svolto come un dialogo: è iniziato con semplici richieste, come “Mostrami i modelli disponibili che contengono ‘5Zone'” (Q1), a cui l’agente ha risposto invocando lo strumento list_available_files.

Successivamente, con comandi come “Riduci la potenza di illuminazione del 30%” (Q6), l’agente ha utilizzato lo strumento modify_lights per aggiornare il modello. Ha poi applicato altre misure di efficientamento, come la riduzione dei carichi delle apparecchiature elettriche e l’applicazione di pellicole a bassa emissività alle finestre. L’agente ha infine eseguito una simulazione comparativa, producendo risultati chiari. Ecco alcuni dei risparmi ottenuti durante il periodo estivo:

• Illuminazione interna: -30.0%
• Apparecchiature interne: -15.8%
• Raffrescamento: -25.3%
• Guadagno di calore dalle finestre: -41.9%
• Ventilatori: -30.7%

Questa dimostrazione evidenzia come sia possibile valutare l’impatto di diverse misure di risparmio energetico in modo estremamente rapido, consentendo ai progettisti di iterare e ottimizzare i loro progetti con una velocità prima impensabile.

Query Umana	Azioni dell’Agente (tramite MCP Server)	Risultato / Output
Q3. Carica il modello 5ZoneAirCooled.idf e mostra le informazioni base	Ha invocato load_idf_model e get_model_summary per estrarre i metadati completi: dettagli costruttivi, clima, impostazioni di simulazione.	Mostrati: nome edificio, asse nord, terreno, convergenza carichi/temperature, distribuzione solare, giorni di riscaldamento/raffreddamento, località (Chicago), versione EnergyPlus 25.1.
Q4. Scopri tutti i loop HVAC e visualizza la topologia del sistema lato aria	Ha usato discover_hvac_loops per trovare tutti i loop HVAC → identificato “VAV Sys 1” → poi get_loop_topology e visualize_loop_diagram per generare il diagramma.	Diagramma PNG del sistema HVAC (Supply/Demand Side) con coil, ventole e zone VAV.
Q5. Ispeziona persone, luci e apparecchi elettrici in tutte le zone e crea tabella	Ha invocato inspect_people, inspect_lights, inspect_electric_equipment e riassunto i dati in tabella.	Tabella per zona: numero persone, potenza luci, frazione radiante, potenza apparecchi elettrici e schedule associati.
Q6. Riduci la potenza luci del 30% in tutte le zone e la potenza elettrica all’80% (tranne SPACE3-1)	Calcolati i nuovi valori, poi invocati modify_lights e modify_electric_equipment. Ha salvato il nuovo modello come 5ZoneAirCooled_modified.idf e creato tabella comparativa.	Tabella con confronto parametri originali vs modificati (potenze luci/apparecchi), totale luci ridotte da 7.500 W a 5.250 W.
Q7. Applica pellicola ai vetri e rivestimento riflettente ai muri esterni per ridurre guadagni solari	Ha invocato add_window_film_outside e add_coating_outside per modificare le superfici. Salvato modello come 5ZoneAirCooled_improved.idf.	Report finale con misure di efficienza: riduzione potenza luci (-30%), apparecchi (-20%), U-value vetri 3.5 W/m²·K, SHGC 0.35, assorbanza solare pareti 0.3.
Q8. Modifica periodo di simulazione ai soli mesi estivi (giugno-agosto)	Invocato modify_run_period due volte per entrambi i modelli (base e migliorato).	Run period aggiornato: 1 giugno – 31 agosto.
Q9. Scopri tutte le variabili di output disponibili e seleziona quelle per luci, apparecchi e guadagni solari	Usato get_output_variables per elencare tutte le variabili (624 trovate) e suggerire quelle rilevanti.	Variabili suggerite: energia elettrica luci, apparecchi, guadagni solari trasmessi/facce esterne, ecc.
Q10. Aggiungi le variabili di output e lancia simulazioni per entrambi i modelli	Ha usato add_output_variables per aggiungere le variabili e poi run_energyplus_simulation con file meteo di Chicago.	Simulazioni eseguite per entrambi i modelli.
Q11. Leggi i risultati delle simulazioni e confronta consumi e guadagni termici	Ha letto i file di output e confrontato i risultati.	Tabella comparativa “Baseline vs Improved Model”: riduzione luci -15%, apparecchi -15%, raffreddamento -25%, guadagni solari -11%, guadagni sensibili totali -9%.

In pratica, nei test condivisi l’utente spiega quello che vorrebbe ottenere, e il sistema restituisce le analisi attivando i tool giusti al momento giusto. Le richieste sono fatte con linguaggio piuttosto specifico, ma sappiamo quanto sono importanti i prompt no?

Modi nuovi e numeri giusti

L’integrazione tra intelligenza artificiale e strumenti di simulazione avanzati, resa possibile da protocolli standardizzati come l’MCP, introduce un modo nuovo di fare le cose. EnergyPlus-MCP dimostra che la complessità tecnica non deve più essere un ostacolo insormontabile per ottenere risultati.

Grazie a questo approccio:

• è possibile fare più analisi, in modo più veloce: ad esempio un ingegnere o un’ingegnera che sta cercando di capire cosa succede se si cambia uno scambiatore o un impianto in un palazzo
• anche utenti non esperti in EnergyPlus possono utilizzare modelli precostruiti per generare simulazioni: ad esempio un facility manager che vuole capire come ottimizzare il suo palazzo
• rende facile integrare EnergyPlus in qualsiasi sistema: ad esempio uno strumento che gestisca l’automazione di un palazzo

Senza dover perdere ore nella configurazione, e senza rinunciare alla precisione dei calcoli di software di simulazione tradizionali.

Oh, nice!