Come l’intelligenza artificiale sta rinnovando la filiera elettrica | NTT DATA

mar, 12 ottobre 2021

Come l’intelligenza artificiale sta rinnovando la filiera elettrica

L’AI sta assumendo un ruolo sempre più importante nel settore elettrico, con un grande potenziale per la progettazione del futuro sistema in chiave di decarbonizzazione. Molti e diversificati sono gli ambiti di applicazione lungo la filiera dell’energia elettrica e spaziano dalla generazione al trading, dalla gestione delle reti di trasmissione e distribuzione al consumo intelligente da parte degli utenti finali.

A cura di Nazario Martino, Client Manager Energy & Utilities

Le attuali iniziative europee quali il Next Generation EU e la rivisitazione in corso del Green Deal rivestono un ruolo primario sia in termini di Regolamentazione che di spinta all’Innovazione Tecnologica, entrambe leve indispensabili per perseguire gli obiettivi di decarbonizzazione. Con specifico riferimento all’innovazione della filiera dell’energia elettrica – con il suo enorme impatto sulle emissioni CO2 – non tutte le tecnologie indispensabili ai fini della neutralità carbonica hanno raggiunto a oggi il grado di maturità necessario. Tra queste, l’intelligenza artificiale potrebbe altamente beneficiare degli investimenti previsti sia in chiave di digitalizzazione che di transizione ecologica.

L’intelligenza artificiale nella filiera elettrica
L’intelligenza artificiale (AI) sta assumendo un ruolo sempre più importante nel settore elettrico, con un grande potenziale per la progettazione del futuro sistema nel suo complesso in chiave di decarbonizzazione ed elettrificazione. Molti e diversificati sono gli ambiti di applicazione dell’AI lungo l’intera filiera dell’energia elettrica, e spaziano dalla generazione al trading, dalla gestione delle reti di trasmissione e distribuzione al consumo intelligente da parte degli utenti finali.

L'intelligenza artificiale nella filiera elettrica

La crescente domanda di energie rinnovabili necessarie per la decarbonizzazione pone il settore di fronte a sfide complesse: infatti nel transitorio non è sufficiente l’energia ottenibile da risorse quali il vento e il sole, e le fonti rinnovabili vanno comunque sfruttate con la massima efficienza possibile. Sebbene le tecnologie eoliche e solari siano in grado di coprire parte del fabbisogno elettrico in giornate ventose e/o soleggiate, la nuvolosità o l’assenza di vento comportano tempi di fermo che vanno compensati con la generazione tradizionale. E anche in giornate molto soleggiate e ventose si hanno paradossalmente inutili sprechi di energia ed emissioni di CO2, se in assenza delle necessarie capacità predittive: se infatti gli impianti solari ed eolici generano più energia del previsto, e il TSO (Transmission System Operator) che gestisce la rete di trasmissione non è in grado di reagire in tempo, le fonti energetiche tradizionali producono in ogni caso energia in eccesso, e quindi anche CO2 superflua.

Le sfide principali consistono nella massimizzazione dell’efficienza del sistema in tutte le sue componenti e nell’ottimizzazione dinamica dell’equilibrio tra domanda e offerta variabili: a questo scopo l’intelligenza artificiale ha un potenziale ruolo chiave in termini di capacità predittive, di controllo e coordinamento dinamico delle molte componenti a perimetro della filiera elettrica, ad esempio per armonizzare le fonti rinnovabili con la gestione della rete. Approfondiamo di seguito specifici ambiti di applicazione della AI.

Generazione dell’energia da fonti rinnovabili
Il miglioramento delle previsioni meteo è una tra le principali applicazioni della AI necessarie per migliorare l’integrazione della generazione da fonti rinnovabili nel sistema elettrico. Ma gli ambiti di applicazione della AI per migliorare la generazione di energia rinnovabile non si fermano certo qui. Infatti, le innovative tecnologie IIoT (Industrial IoT) applicate agli apparati di generazione solare, eolica e idroelettrica forniscono enormi quantità di Big data: tramite tecniche di AI applicate sul vasto insieme di tali dati – e al contempo ai dati meteo – possono crearsi modelli di previsione accurata circa la produzione di energia rinnovabile generabile nel brevissimo e breve termine, e ciò rende possibile ottimizzare l’immissione dell’energia rinnovabile sulla rete. Un esempio è dato dall’applicazione della AI nell’ambito della Sunshot Initiative gestita dal Dipartimento dell’energia Usa, ove si è riscontrato un miglioramento del 30% nella precisione delle previsioni di generazione da fonti solari. L’accuratezza delle previsioni supporta i produttori di energia rinnovabile – i quali usualmente sono anche trader sui mercati dell’energia elettrica – consentendo loro di ottimizzare la produzione, di prevenire eventuali sanzioni a fronte di eccessi o lacune di generazione, e a partecipare vantaggiosamente alle aste di energia sui mercati elettrici.

Manutenzione predittiva degli asset
Una ulteriore e fondamentalmente applicazione dell’intelligenza artificiale è relativa alla manutenzione predittiva degli asset infrastrutturali costituenti gli apparati di generazione da fonti rinnovabili di varia tipologia: ciò consente di massimizzarne l’efficienza, la continuità operativa e di conseguenza la capacità di generazione verde nel suo complesso. Un esempio è dato dall’applicazione AI alla generazione eolica in Giappone da parte di General Electric, con risultati di riduzione dei costi di manutenzione del 20% e di incremento del 5% della potenza erogata. Ulteriori opportunità per i produttori di energia rinnovabile sono offerte dalle nuove tecnologie di storage, le quali in caso di surplus rispetto alle pianificazioni consentono di immagazzinare l’energia prodotta per una successiva fruizione.
Con il miglioramento delle tecnologie di storage, e la progressiva diminuzione dei costi, l’accumulo dell’energia elettrica riveste un ruolo sempre più importante e si sta rivelando una vera e propria chiave di volta ai fini della fruizione di energie rinnovabili e quindi di decarbonizzazione. Infatti, gli accumulatori possono essere attivati rapidamente per rispondere a picchi di domanda eccessivi e quindi ridurre al minimo la generazione tradizionale di energia di riserva e le relative emissioni CO2.

Storage
L’AI può migliorare le performance di utilizzo dell’energia gestita tramite storage, rendendo più semplice l’integrazione di fonti diversificate e distribuite di energia rinnovabile con gli aggregati su larga scala di batterie. Il ruolo dello storage sta infatti crescendo molto rapidamente e in parallelo alla proliferazione di fonti di energia rinnovabili come l’eolico e il solare, la cui intermittenza rende sempre più complesso il bilanciamento tra domanda e offerta di energia. L’intelligenza artificiale può essere utilizzata per prevedere e prendere decisioni sulla gestione circa l’accumulo e il rilascio di energia. La velocità e la complessità che caratterizzano la gestione dell’energia dei sistemi di storage – in un ambiente dinamico e distribuito – richiedono soluzioni avanzate di AI capaci di prendere velocissime decisioni su una scala e una complessità al di là delle capacità di operatore umano.

Il power trading
L’elettricità è un bene che può essere acquistato, venduto e scambiato in mercati aperti. Affinché questi mercati funzionino in modo efficiente, enormi quantità di dati, dalle previsioni meteorologiche all’equilibrio tra domanda e offerta di rete, devono essere costantemente analizzate da venditori di energia all’ingrosso, acquirenti e broker. Sulla scia di quanto avvenuto nel tempo sui mercati finanziari, l’AI è analogamente applicabile all’ambito del trading e risk management sui mercati dell’energia elettrica. Modelli avanzati di “trading algoritmico” basati sull’intelligenza artificiale sono in fase di sviluppo e implementazione al fine di ottimizzare in near real time le operazioni sui mercati dell’energia elettrica, tramite l’analisi di grandi e diversificati flussi di Big data necessari a consentire una risposta veloce ai cambiamenti dinamici del mercato.
Ad esempio, il cosiddetto “trading intraday” è utile per adeguarsi a cambiamenti imprevisti di produzione e consumo, attivando meccanismi di bilanciamento prima che divenga necessario attingere a eventuali “riserve di controllo” basate sui carboni fossili; ad esempio, ciò consente a una centrale di generazione rinnovabile che ha un calo di produzione improvviso di acquistare energia addizionale da altri operatori sul mercato e mantenere quindi il bilanciamento pianificato.

Il sistema Euphemia
In tal senso, il trading intraday è quindi una componente chiave per commercializzare le energie rinnovabili quando il meteo cambia rapidamente inducendo una carenza o un’eccedenza non pianificata di energia solare o eolica. La velocità, complessità e dinamicità che caratterizzano l’operatività sui mercati infragiornalieri può andare al di là delle capacità di un operatore umano, e quindi il trading è implicitamente un ambito di applicazione dell’AI. La complessità cresce quando più mercati si aggregano per operare su un perimetro multiregionale più esteso: ad esempio, il sistema Euphemia, basato su algoritmi di AI è stato sviluppato per calcolare i cosiddetti prezzi dell’elettricità “del giorno prima” (day-ahead) in Europa e allocare di conseguenza la capacità di trasmissione transfrontaliera; il sistema è utilizzato quotidianamente per calcolare i prezzi dell’elettricità per ben 25 paesi europei, Italia inclusa.

Ulteriori applicazioni dell’AI nell’ambito del trading sono mirate all’analisi e al monitoraggio degli scambi sul mercato a fini di rilevazione di eventuali violazioni; un esempio è dato dal sistema di sorveglianza ARIS – utilizzato dalla Agenzia Europea per la Cooperazione delle Autorità di Regolamentazione dell’Energia (ACER) – il quale analizza automaticamente i dati degli scambi per identificare anomalie che possano ricondurre a casi di abuso di mercato rispetto alle vigenti normative UE.

Il dispacciamento e la trasmissione
Le reti di trasmissione elettrica sono sistemi altamente regolamentati, che in ogni momento devono soddisfare una domanda variabile elettricità all’interno di un sistema di produzione complesso che include sia le centrali elettriche convenzionali, sia le energie rinnovabili meno prevedibili (come l’energia eolica o solare), nonché la possibilità di acquistare/vendere elettricità sul mercato internazionale. I Transmission System Operator gestiscono le reti ad alta tensione e i servizi di dispacciamento atti a bilanciare continuativamente la domanda e l’offerta di energia elettrica. I TSO affrontano un compito complesso, dovendo garantire non solo l’affidabilità dell’accesso stesso all’elettricità, ma anche che la disponibilità di energia sulla rete corrisponda sempre e comunque alla domanda corrente. La rete riceve energia sia da fonti convenzionali a combustili fossili, sia da fonti rinnovabili, ma mentre l’energia prodotta da una centrale convenzionale è pressoché costante, quella prodotta da una centrale rinnovabile è invece altamente fluttuante: ciò rende particolarmente arduo il bilanciamento.
Inoltre, con la crescente decentralizzazione e digitalizzazione delle reti cresce molto il numero di partecipanti attivi sulla rete e quindi la difficoltà di mantenere la stessa in equilibrio: ciò richiede l’analisi di moltissimi dati, che l’intelligenza artificiale può elaborare e interpretare in modo più rapido ed efficiente, per fruirne in termini di decisioni e azioni puntuali. Un esempio di successo dell’applicazione dell’Al nel contesto TSO è relativo al forecasting delle energie rinnovabili da immettere in rete: al crescere della quota di produzione di energia eolica e fotovoltaica rispetto alla produzione totale, previsioni affidabili e accurate di queste fonti sono infatti essenziali affinché i sistemi di trasmissione TSO operino in modo sicuro.

Germania
In tal senso, in Germania si sono svolti il progetto EWeLiNE (completato nel 2017) e il successivo progetto GridCast, condotti dal Fraunhofer Institute unitamente ai quattro TSO tedeschi (Amprion, TenneT TSO, 50 Hertz Transmission, TransnetBW) e al Servizio Meteo Nazionale (Deutscher Wetterdienst). Nel corso dei progetti sono stati sviluppati e utilizzati modelli AI dedicati ad ottimizzare il forecasting dell’energia prodotta dalle turbine eoliche e dagli impianti fotovoltaici, in particolare tramite la combinazione di modelli predittivi di intelligenza artificiale relativi alla generazione (basati su dati da sensori posizionati sugli impianti solari e sulle turbine) e di modelli di AI dedicati alla previsione meteo a brevissimo termine (nowcasting), con un focus particolare sulla stabilità della rete.

Francia
Un ulteriore esempio è dato dai modelli di intelligenza artificiale che sono stati sviluppati sulla base di dati storici raccolti dal TSO francese Réseau de Transport d’Electricité (RTE), mimando i meccanismi decisionali umani atti ad individuare le necessarie azioni sulla rete per prevenire che su una specifica linea possa sovraccaricarsi violando i cosiddetti “limiti termici”. Analoghe applicazioni di AI possono supportare la prevenzione di fenomeni di congestione sulla rete, e quindi i possibili blackout conseguenti. È da sottolineare come anche nell’ambito delle reti di trasmissione le nuove tecnologie di storage dell’energia elettrica siano di assoluta rilevanza.

Italia
Al fine di garantire il massimo sfruttamento dell’energia rinnovabile immessa in rete e al contempo la sicurezza del sistema, Terna ha lanciato uno Storage Lab e dei “Progetti pilota di accumulo” mirati a pianificare la opportuna dislocazione di specifiche tecnologie di storage “energy intensive” (elevato rapporto tra energia accumulata e potenza installata) connesse direttamente alla RTN su tutto il territorio nazionale, e di ulteriori tecnologie “power intensive” (capaci di erogare elevate potenze per tempi brevi) in Sardegna e Sicilia.

È immediatamente evidente come l’AI possa fornire ulteriori modelli in grado di traguardare l’ottimizzazione complessiva della rete, tenendo conto non solo della variabilità delle fonti rinnovabili e della domanda, ma anche della capacità di accumulo distribuita all’interno del sistema complessivo.

 

L'articolo è originariamente uscito su Energy Up


洞察

Related Insights

Vuoi saperne di più?

Contattaci