Come può l’Intelligenza Artificiale dare supporto ai programmi di demand response?

Fino a pochi anni fa, il mix energetico è stato dominato in modo sproporzionale dalle fonti fossili, che necessitano di essere bruciate, inquinando così il nostro ambiente per produrre l’energia elettrica di cui tutti abbiamo bisogno ogni giorno. Nel farlo, abbiamo inavvertitamente scelto di sacrificare il nostro ambiente per la ricchezza industriale ed economica. Per cercare di mitigare questi effetti negativi e tentare di bloccare l’ulteriore inquinamento dell’ambiente, sforzi significativi devono essere compiuti per agire in modo concreto. Ad esempio, è bene agire per introdurre e continuare ad accrescere la penetrazione delle fonti di energia rinnovabile nell’ambito della produzione dell’energia elettrica. In questo modo, la domanda di elettricità potrebbe essere soddisfatta sulla base dell’energia pulita già accessibile, come quella del sole o del vento, senza causare danni all’ambiente. Questo funziona anche per le comunità delle piccole isole, come quelle che partecipano al progetto REACT, le quali solitamente si basano sull’energia proveniente dalla terraferma. Spesso questo legame può risultare in un’elevata dipendenza energetica ed economica da fattori esterni, e per raggiungere l’auto-sufficienza diventa necessario accrescere la generazione di energia da fonti rinnovabili.

Tuttavia, la produzione da fonti di energia rinnovabile è altamente dipendente da condizioni metereologiche (stocastiche in natura), così che la produzione di energia da fonti rinnovabili non può essere controllata – aumentata o diminuita in base alla domanda attuale. Per esempio, i picchi di domanda sono comuni tra le 18:00 e le 20:00, quando diverse persone rientrano a casa dal lavoro. Sfortunatamente, questo periodo non combacia con la maggiore radiazione solare del corso della giornata, e quindi, con il picco produttivo di energia dalle celle solari. D’altro canto, la differenza tra la produzione e la domanda può causare instabilità nella rete elettrica e, di conseguenza, è prioritario trovare una soluzione a questo problema. Considerati questi fattori, si può concludere che, pianificare in modo attento ed assicurare un ottimo dispacciamento energetico sono necessari per avere un sistema di fornitura energetico stabile e al contempo che permetta un’elevata penetrazione di fonti di energia rinnovabile all’interno del mix energetico. Pertanto, è fondamentale disporre delle stime di produzione attesa di energia rinnovabile così come la domanda di energia da parte dell’utente, così che possa essere effettuata la pianificazione dell’equilibrio energetico. A questo punto può intervenire l’intelligenza artificiale, o più precisamente, le tecniche di machine learning che possono acquisire un ruolo importante nelle piattaforme per implementare diversi programmi di demand response come su REACT.

I modelli di machine learning hanno parecchi parametri numerici che vengono aggiustati in base alla quantità di dati storici disponibili, così che le loro previsioni siano il più possibile simili a quel che è successo nel mondo reale. In altre parole, i modelli di machine learning possono ottenere importanti input per i parametri, estrarre da tali parametri informazioni di rilievo e fornire un output stimato. Per esempio, se volessimo stimare la produzione di solare fotovoltaico, il primo step sarebbe scegliere quali fattori influenzano la sua produzione. Il più importante è di sicuro la radiazione solare visto che, maggiore è la radiazione, maggiore sarà la produzione di energia fotovoltaica attesa. In aggiunta, una maggiore copertura nuvolosa potrebbe risultare in una produzione inferiore, e quindi anche questo elemento andrebbe considerato. Inoltre, anche la temperatura esterna influenza l’efficienza dei pannelli fotovoltaici, visto che la loro efficienza aumenta all’abbassarsi della temperatura. Una volta che tutti gli input rilevanti son stati selezionati per i vari parametri, la produzione attesa può essere stimata sulla base di tali valori.

Un simile approccio potrebbe essere portato avanti anche per le previsioni della domanda. Uno dei fattori più comuni per la previsione del carico elettrico sono i parametri legati al tempo. Come già menzionato in precedenza, è comune che i picchi di domanda siano presenti al mattino presto e nel pomeriggio durante i giorni lavorativi, mentre la domanda è notoriamente inferiore durante le ore lavorative o di notte. D’altra parte, la forma della curva di carico durante i weekend o le vacanze cambia in modo significativo visto che un maggiore numero di utenti è a casa. In modo simile, anche la stagionalità può influenzare il consumo totale di energia. Per esempio, in climi freddi, a volte l’energia elettrica viene usata in inverno per motivi di riscaldamento, mentre questo non è il caso nei periodi estivi. Quindi, tutte queste conclusioni sono utilizzate durante la fase di design del modello machine learning, così che possa raggiungere il maggior livello di precisione possibile.

Per riassumere, come illustrato nella seguente figura, i modelli di machine learning identificano quali sono i fattori più importanti per la loro previsione e richiedono una grande quantità di corrispondenti dati storici. Quei dati vengono poi utilizzati da algoritmi specializzati che forniscono modelli ottimizzati capaci di calcolare previsioni precise.

In questo articolo, abbiamo presentato alcune possibili applicazioni di machine learning in progetti del settore energetico ed abbiamo cercato di portare il concetto del machine learning alla portata degli utilizzatori finali. Tuttavia, il suo potenziale va oltre quanto presentato in questo contesto, per cui sapreste immaginare qualche altra applicazione dell’intelligenza artificiale che potrebbe essere utile in futuro?

Dea Pujić  del Institute Mihajlo Pupin, University of Belgrade.

Per scrivere questo intervento, sono state utilizzate le seguenti icone:

https://www.flaticon.com/free-icons/bucket created by justicon – Flaticon

https://www.flaticon.com/free-icons/machine-learning created by Freepik – Flaticon

https://www.flaticon.com/free-icons/arrow created by Creatype – Flaticon

https://www.flaticon.com/free-icons/machine-learning created by Eucalyp – Flaticon

https://www.flaticon.com/free-icons/prediction created by Parzival’ 1997 – Flaticon

Archivi