Oggi l’intelligenza artificiale aiuta imprese e società energetiche a prevedere in modo sempre più attendibile costi e consumi dell’energia. Questa infatti non è più una commodity, ma un fattore rilevante e strategico per l’intera catena del valore. Così, disporre di scenari energetici predittivi aiuta a pianificare in modo più efficiente la produzione e a ridurre l’impatto ambientale, favorendo anche la trasformazione ecologica.
Grazie ad algoritmi sempre più performanti ed estendibili a diversi ambiti applicativi, il futuro è promettente non solo per il mercato energetico, ma anche per l’industria. Questa potrà sempre più programmare la produzione tenendo conto dell’andamento dei costi energetici su base oraria, giornaliera, a medio e lungo termine.
Una gestione “data-driven”, cioè guidata dall’analisi intelligente di serie storiche di consumi e prezzi, integrate con variabili esterne come meteo, stagionalità e giorni feriali e festivi, porta a diversi vantaggi. Di seguito i principali.
- Ottimizzazione dell’acquisto di energia in base al consumo.
- Risparmio sui costi di produzione, identificando picchi di consumo e andamento dei prezzi.
- Preventivi più precisi e accurati, che tengano conto dei costi energetici nei diversi orari e periodi.
- Riduzione dell’impatto ambientale, pianificando l’uso di energia rinnovabile quando più disponibile.
Il ruolo cruciale dei dati e la loro preparazione
Per addestrare modelli di machine learning e reti neurali efficaci (circuiti che simulano il funzionamento del cervello umano) serve una grande quantità di dati. Questi vanno opportunamente preparati, ossia depurati da elementi ridondanti, mancanti o fuorvianti e integrati con le diverse variabili da tenere in considerazione. Una volta pronti, i dati vengono dati in pasto a diversi modelli di reti neurali, che vengono messi a confronto tra loro fino a scegliere quello più attendibile.
Si è parlato di queste tecniche e dei vantaggi per l’industria nella Demo Experience “Il ruolo dell’intelligenza artificiale nella creazione di scenari predittivi”, organizzata alla fine di marzo da MADE Competence Center I4.0 in collaborazione con Tecniche Nuove. Il Competence Center, con i suoi partner, supporta le pmi nello sviluppo di soluzioni di efficientamento energetico, massimizzando il risparmio nell’acquisto di una componente sempre più strategica per l’industria.
Il caso presentato da Trust4Value, “Previsione dei prezzi dell’elettricità con Deep Neural Network”, per esempio, si basa sulla raccolta dei dati orari di quattro anni di cinque città spagnole (2015-2019).
I dati riguardano produzione, domanda e prezzo dell’energia e condizioni meteorologiche (temperatura, velocità del vento, umidità, precipitazioni), che rappresentano la base per addestrare i modelli. Seguono quindi pulizia dei dati, visualizzazione e analisi delle serie temporali e creazione di nuove variabili attraverso l’ingegneria delle caratteristiche.
Quando i dati sono pronti, si confrontano le prestazioni di cinque diversi modelli neuronali. Ci si avvale di tecniche di analisi statistica come PCA (Principal Component Analysis), che riduce la complessità dei dati e dell’ottimizzatore Adam, algoritmo di nuova generazione.
Il progetto dimostra come sia possibile, attraverso sistemi di machine learning, ricavare preziose informazioni sulle previsioni di prezzo dell’energia.
I modelli data-driven: ottimizzazione delle previsioni
Avvale, a sua volta, ha esplorato tre applicazioni dell’AI nel settore energetico: la previsione della produzione di energia da impianti eolici, la stima dei prezzi a breve termine e la previsione della domanda. Queste analisi si avvalgono di dati storici, meteo e di altri fattori determinanti, richiedono capacità computazionali elevate e un periodo di preparazione dei dati da due a quattro mesi.
Il vantaggio dell’utilizzo del machine learning, nel caso della previsione di potenza di un impianto eolico, è che si superano i limiti della curva di potenza della turbina indicata dal costruttore dell’impianto, dimezzando l’errore di previsione.
Questo è stato possibile grazie ad alcuni interventi nella costruzione del data set, come l’inserimento di nuove variabili meteo (direzione e potenza del vento) e l’utilizzo di modelli di regressione multipla per stimare la potenza di ogni turbina in relazione alle altre (turbolenze tra turbine). Quindi sono stati addestrati diversi modelli di reti neurali ed è stato industrializzato quello con le prestazioni previsionali più affidabili.
Disporre di previsioni precise permette di ottimizzare l’integrazione dell’energia nella reta elettrica e di pianificarne la compravendita, riducendo i rischi di perdita nei momenti di picco.
La stima di prezzo a breve termine, utilizzando reti neurali bayesiane e deep neural network, aiuta invece a massimizzare l’efficienza nella fase di acquisto dell’energia. Queste previsioni hanno un impatto anche sulla pianificazione industriale, perché permettono alle aziende di sfruttare le ore in cui l’energia costa meno.
Il data set è stato costruito con i prezzi storici, la previsione della domanda di energia, le precisioni di produzione, le variabili di calendario e stagionalità, le previsioni meteo e lo storico del prezzo del gas.
Infine, la stima della domanda di energia del singolo utente consente di ottimizzare la distribuzione energetica, riducendo gli sprechi e migliorando l’efficienza generale del sistema. Questo modello si basa su dati storici, previsioni meteo e calendario e offre un servizio personalizzato ed efficiente ai consumatori.
