La tesi affronta una delle sfide più complesse nella gestione dei network di teleriscaldamento: la riduzione della temperatura di ritorno, parametro cruciale per l’efficienza complessiva del sistema. Ridurre le temperature di ritorno permette infatti di aumentare le prestazioni della rete, ma individuare le cause degli innalzamenti e intervenire in modo mirato è particolarmente difficile nei sistemi su larga scala.

Il lavoro propone un framework scalabile e data-driven per supportare i gestori nella diagnosi e ottimizzazione delle sottostazioni.
Attraverso tecniche di clustering delle serie temporali, le sottostazioni vengono raggruppate in base ai profili di temperatura; un metodo strutturato di ranking permette poi di valutare il contributo di ciascuna sottostazione alle inefficienze della rete. L’analisi dei dati lato utente ha consentito di individuare le principali cause delle alte temperature di ritorno e di suggerire interventi mirati, con risultati particolarmente promettenti: la temperatura media di ritorno potrebbe essere ridotta da 62°C a circa 56°C.

Oltre all’analisi delle sottostazioni problematiche, la ricerca esamina i comportamenti di consumo degli utenti, identificando nove profili di carico e sviluppando un metodo per l’imputazione dei dati mancanti, utile per migliorare la pianificazione delle reti di teleriscaldamento.