A cura di Nazario Martino, Client Manager Energy & Utilities
In un precedente articolo abbiamo esaminato come le soluzioni di intelligenza artificiale (AI) siano sempre più utilizzate nella filiera elettrica. Proseguiamo con l’esame di altri componenti.
Distribuzione e gestione delle smart grid
Le smart grid – gestite dai Distribution System Operator (DSO) – sono reti le quali trasportano non solo elettricità, ma anche dati. Una smart grid gestisce la distribuzione in media e bassa tensione su base locale (rispetto alla RTN nazionale ad alta tensione). La gestione della smart grid e delle sue articolate ramificazioni – sino agli smart meter che ne costituiscono le “foglie” finali – avviene infatti tramite sistemi di telecontrollo e telegestione operanti su tecnologie di connettività a onde convogliate; è proprio grazie a queste capacità di gestione dei dati che sono gestiti, ad esempio, il metering dei consumi operato in telelettura, il monitoraggio in tempo reale dei nodi e dei rami della rete, l’attuazione di variazioni quali la potenza di un punto di fornitura. Anche sulla smart grid va gestito il bilanciamento di domanda e offerta di energia a fini di stabilità della rete, e in particolare ciò sta evolvendo in chiave “prosumer”, ovvero in base all’energia decentralizzata che clienti sia B2C che B2B possono produrre tramite soluzioni fotovoltaiche e ulteriori, e quindi immagazzinare tramite soluzioni di accumulo a valle del proprio meter oppure rilasciare sulla smart grid stessa.
Se le reti di distribuzione attuali sono evolute in chiave “smart” nel corso del tempo – prima tra tutte, ad esempio, la smart grid di Enel, riconosciuta come la più avanzata al mondo – l’AI può implicitamente potenziarne la loro intelligenza per gestirne l’evoluzione, ad esempio aiutando a valutare, analizzare e controllare in tempo reale i Big data prodotti dai vari player (consumatori, produttori “prosumer”, impianti di accumulo) collegati tra loro tramite la smart grid stessa. In termini di telecontrollo e telegestione, l’AI può supportare in particolare la rilevazione di anomalie di generazione, consumo o trasmissione in tempo reale, nonché abilitare i processi di Vehicle-to-Grid a partire da veicoli elettrici connessi a valle degli smart meter degli utenti finali.
Svizzera
Un esempio concreto di tali applicazioni di AI è dato dal progetto GridSense svolto nel Cantone Solothurn in Svizzera, il cui obiettivo è fornire ai DSO uno strumento per l’ottimizzazione dinamica della propria rete di distribuzione in base allo stato corrente, a fini di decarbonizzazione e stabilizzazione della rete. Nel progetto appositi algoritmi di AI sono dedicati ad apprendere il comportamento dell’utente misurando continuativamente l’energia consumata e generata, controllandone i consumi elettrici sui singoli carichi (es. pompe di calore, caldaie, batterie domestiche, ricarica veicoli elettrici) e l’energia autoprodotta tramite fotovoltaico, al fine di ridurre i picchi di carico, bilanciare e stabilizzare la rete di distribuzione.
AI e manutenzione predittiva
Una ulteriore – e già matura – applicazione immediata della AI sulla smart grid è relativa alla manutenzione predittiva degli specifici asset di distribuzione che costituiscono la rete stessa; ciò consente di intervenire prima che un guasto si verifichi, o che un componente termini il suo ciclo di vita e vada quindi sostituito, di conseguenza massimizzando l’affidabilità della rete, ottimizzando le tempistiche e i costi di intervento operativo, prevenendo gli impatti sul funzionamento della rete. Differenti applicazioni della AI traguardano anche la Fraud Detection per l’individuazione dei furti di energia e delle connessioni illegali alla rete di distribuzione.
AI e mobilità elettrica
La mobilità elettrica è considerata una leva primaria per la decarbonizzazione dei trasporti. Le tecnologie di Electric Vehicle (EV) possono indurre emissioni molto basse, ovviamente nel presupposto che l’energia elettrica sia generata senza combustili fossili. Tuttavia, la diffusione della mobilità elettrica propone sia opportunità che sfide: in chiave di Risorse Energetiche Distribuite (DER) consente infatti di immagazzinare energia elettrica nelle batterie EV e stabilizzare la rete, ad esempio adeguando la domanda di ricarica (sia dei singoli EV sia dei loro aggregati) rispetto ai prezzi e alla disponibilità sulla rete in tempo reale.
In generale, il controllo e l’ottimizzazione della mobilità elettrica richiedono algoritmi efficienti in grado di risolvere problemi che coinvolgono svariate ed eterogenee entità (es. i proprietari), ognuna operante secondo i propri obiettivi, incentivi e fabbisogni (es. quantità di energia da caricare), peraltro all’interno di contesti altamente dinamici (es. numerosità veicoli elettrici in circolazione in un dato momento e luogo) e a fronte di una serie di incertezze (ad es. fabbisogni di energia nel brevissimo termine). Una vasta serie di problematiche complesse di questo tipo può essere affrontata con potenti tecniche di intelligenza artificiale, come abilitante indispensabile in particolare con riferimento al monitoraggio e al coordinamento delle risorse.
In funzione delle infrastrutture di ricarica disponibili, e del tempo di ricarica EV implicitamente non immediato, è fondamentale programmare in modo efficiente la ricarica dei veicoli: questa è una sfida impegnativa, nella quale si deve tenere conto della domanda e dei vincoli degli utenti, della disponibilità delle stazioni di ricarica e dei vincoli della rete di distribuzione, della intermittenza delle fonti rinnovabili fruibili; in tal senso, è fondamentale una integrazione e collaborazione “intelligente” dei singoli EV con la smart grid e con gli smart meter dei “prosumer” finali. L’AI può consentire di ottimizzare la programmazione della ricarica (Grid-to-Vehicle; G2V), così come la gestione delle congestioni che a fronte di una estesa diffusione potrebbe avvenire in circostanze particolari, quali le “ore di punta”.
In particolare, l’AI può abilitare l’implementazione del Vehicle-to-Grid (V2G): i veicoli elettrici offrono la capacità di utilizzare le batterie a fini di storage dell’energia quando sono inattivi, e quindi di immagazzinare l’energia in eccesso per fruirne successivamente a fronte della domanda, re-immettendo in rete quota parte dell’energia accumulata, in surplus rispetto ai fabbisogni personali (programmabili in termini di distanze e orari usuali di utilizzo e consumo). Un V2G abilitato dalla AI consente quindi di incrementare significativamente la capacità di stoccaggio propria della rete stessa, e inoltre di coordinare e bilanciare la disponibilità di energie rinnovabili – intrinsecamente intermittenti – con i comportamenti di mobilità e consumo degli utenti finali. L’AI è inoltre applicabile anche alla ottimizzazione della batteria EV stessa: ad esempio, per la stima della carica e dei consumi nei veicoli ibridi plug-in, anche in funzione delle caratteristiche del percorso e dei relativi recuperi di energia in frenata ed in discesa, e quindi in termini di regolazione della velocità e dei relativi consumi.
Risorse energetiche distribuite: Virtual power plant e Demand response
Le Risorse energetiche distribuite (DER) sono risorse di piccole o medie dimensioni connesse direttamente alla rete di distribuzione. Le DER includono, ad esempio, la generazione distribuita e le batterie di accumulo, così come i carichi controllabili quali ad esempio veicoli elettrici e ulteriori apparati gestibili in termini sia di controllo che di attuazione.
Virtual Power Plant (VPP)
Una Virtual power plant (VPP) è di fatto una centrale elettrica distribuita (e quindi virtuale) che aggrega e coordina risorse DER distribuite ed eterogenee, allo scopo di ottimizzare la stabilità e affidabilità della produzione di energia in aggregato, e poterla di conseguenza immettere in rete e/o vendere sul mercato all’ingrosso dell’energia per conto dei partecipanti che non potrebbero altrimenti farlo singolarmente. Le sorgenti decentralizzate costituiscono dei cluster in base alla tipologia e questi sono controllati da una “autorità centrale”: possono includere ad esempio impianti di micro-cogenerazione, motori alimentati a gas naturale, impianti eolici, fotovoltaici, idroelettrici, biomasse, sistemi di accumulo.
I principi della VPP sono concettualmente applicabili anche ai veicoli elettrici, i quali possono essere controllati per agire in aggregato alla stregua di un’unica Vehicle-to-Grid VPP: controllando la ricarica di ogni singolo veicolo, la rete può traguardare l’aggregato dell’energia netta consumata o immessa come se il servizio fosse fornito da un unico grande accumulatore. La VPP implica vantaggi quali ad esempio la capacità di fornire elettricità a fronte di picchi di domanda con breve preavviso; tale flessibilità consente al sistema di reagire meglio alle fluttuazioni della domanda, ma la sua gestione è implicitamente complessa e richiede algoritmi dedicati di ottimizzazione e controllo. In tal senso, gli algoritmi di AI consentono di generare previsioni accurate nonché di coordinare i singoli partecipanti alla VPP, ad esempio monitorando e sincronizzando quali sorgenti generano o consumano quanta energia elettrica e in quale specifico momento.
Demand Response Flexibility (DR)
Così come una VPP può aggregare DER per supportare picchi di domanda e stabilità della rete, in base a presupposti concettualmente analoghi le soluzioni di Demand Response Flexibility (DR) possono consentire un coordinamento intelligente atto a gestire e ridurre la domanda stessa in modo flessibile. Il DR presuppone infatti che un operatore di rete (TSO e/o DSO secondo le regolamentazioni locali) possa aggregare dei pool di clientela caratterizzati da carichi medio/elevati, in particolare entità industriali e commerciali interessate ad aderire ad appositi programmi DR. In sostanza, l’aggregatore e il singolo partecipante al programma DR formalizzano un accordo in base al quale “rinunciare” – a fronte di apposito segnale da parte dell’aggregatore – a consumare predeterminate quantità di energia in predeterminati intervalli temporali. Il partecipante viene remunerato in funzione dell’aderenza alle curve di flessibilità DR prestabilite. Le specifiche modalità con le quali attuare la flessibilità DR offerta dal partecipante sono dipendenti dalla specificità dei propri processi produttivi, e includono ad esempio i cosiddetti peak shaving, load shifting e ulteriori. L’AI è idonea a ottimizzare il coordinamento delle risorse partecipanti ai pool DR, rispetto all’aggregato di flessibilità richiesto dinamicamente sulla rete.
AI e vendita
L’AI offre agli operatori di vendita nuove capability digitali a supporto dell’efficacia delle vendite e del servizio clienti e alla riduzione dei costi CtA e CtS (cost-to-acquisition e cost-to-serve). Tali capability includono, ad esempio, i modelli predittivi di propensione di un singolo cliente all’acquisto di un prodotto / alla sottoscrizione di un servizio, piuttosto che di propensione al churn, informazioni le quali possono essere valorizzate nel corso delle interazioni con il cliente stesso sui vari canali tradizionali e digitali, ad esempio per la proposizione proattiva di una specifica offerta in chiave di upselling, piuttosto che di fidelizzazione preventiva. Ai fini di efficienza del servizio clienti, si utilizzano in particolare tecniche “weak” di AI per interagire con il cliente tramite agenti virtuali, ovvero chatbot intelligenti in grado di interpretare le richieste di servizio tramite tecniche di AI di NLU/NLP (Natural Language Understanding / Processing).
AI e consumo
I nuovi smart meter forniscono dati sul consumo energetico tali da consentire ai clienti B2C e B2B di auto-regolare i propri consumi in base alla cognizione del corrente utilizzo dell’energia. I nuovi contatori intelligenti e le soluzioni di Smart home e Smart building – eventualmente supportate dalla AI – rappresentano un notevole vantaggio in termini di efficienza per gli utenti finali. Inoltre, questi dispositivi di monitoraggio dell’energia comunicano con ulteriori dispositivi domestici “behind the meter” consentendo di risparmiare denaro riducendo gli sprechi energetici, ad esempio controllando l’aria condizionata, consigliando la ricarica del veicolo elettrico quando il costo è minore, controllando l’illuminazione e gli elettrodomestici “smart”.
Con riferimento a queste modalità di comunicazione, un esempio concreto è dato dal canale “Chain 2” in funzione sui nuovi Open meter di Enel Distribuzione, la quale lo ha sperimentato e successivamente abilitato in conformità con quanto richiesto dall’Autorità di regolazione per Energia Reti e Ambiente (ARERA). L’AI è immediatamente applicabile anche ad affini soluzioni di Smart building ed Energy efficiency in ambito commerciale e industriale (C&I), ad esempio per gestire l’accensione e lo spegnimento graduale dell’illuminazione elettrica sui vari piani di un edificio via via che gli impiegati raggiungono o lasciano gli uffici, piuttosto che regolando l’inclinazione delle tapparelle in funzione dell’irradiamento solare al fine di minimizzare i fabbisogni di aria condizionata. Visto che le infrastrutture digitali – e l’AI stessa – implicano elevatissimi consumi elettrici indotti dalle potenze di calcolo e dalle necessità di raffreddamento dei Data center privati e delle società che offrono servizi cloud, una ulteriore immediata applicazione è relativa ai Data center stessi in chiave “green”.
L’esempio di Deep Mind
Un esempio diretto è dato da DeepMind – società appartenente al gruppo Google e operante in ambito AI – la quale nel 2016 ha ridotto del 40% il consumo di energia per il raffreddamento di un Data center applicando algoritmi di AI sui dati storici raccolti dai sensori all’interno del DC: di fatto il sistema prevedeva la temperatura a brevissimo termine (nell’ora successiva) all’interno del DC, individuava e suggeriva le opportune azioni per la minimizzazione dei consumi. Successivamente, il progetto è stato implementato su ulteriori DC Google ed è evoluto in chiave di attuazione automatica degli interventi di efficientamento energetico individuati dall’AI.
Sicurezza e resilienza delle infrastrutture critiche
Le infrastrutture critiche sono costituite da tutte quelle risorse, servizi, sistemi ICT, reti e infrastrutture i quali – se danneggiati o distrutti – causerebbero gravi ripercussioni alle funzioni cruciali della società, alla sicurezza e al benessere economico e sociale dello Stato e della popolazione. Oggi gli attacchi informatici alle infrastrutture critiche sono in aumento – cresciuti esponenzialmente nel corso del 2020 – e il settore dell’energia elettrica è un bersaglio primario. Il primo cyber-attacco a una rete elettrica avvenne in Ucraina già nel 2015, con 250mila persone rimaste senza elettricità per molte ore; rispetto ad allora, la filiera elettrica si è trasformata in un sistema articolato e distribuito che necessita di ulteriore e proattiva protezione. L’insieme delle infrastrutture critiche lungo la filiera dell’energia elettrica include infatti le centrali di generazione tradizionale e rinnovabile, gli elettrodotti di trasmissione, le reti di distribuzione, i relativi sistemi di controllo: in sintesi, moltissime risorse e infrastrutture diversificate e distribuite territorialmente.
I relativi rischi in termini di sicurezza logica e fisica aumentano quindi in funzione delle vulnerabilità di una filiera elettrica sempre più articolata, interconnessa e digitalizzata, e che quindi è sempre più importante proteggere da attacchi informatici, furti “ransomware” e conseguenti richieste di riscatto. In tal senso, l’AI può offrire un importante contributo alle tecniche di cybersecurity: con riferimento agli attacchi informatici, può infatti controllare con la massima velocità grandi quantità di dati e rilevare eventuali deviazioni e violazioni, anche sulla base di attacchi informatici avvenuti in passato.