Intelligenza artificiale e algoritmi di machine learning hanno un ruolo fondamentale nel prevedere la produzione di energia eolica e fotovoltaica. Per quanto riguarda la produzione di energia, infatti, l’AI rappresenta lo strumento migliore a favore delle fonti rinnovabili, per l’efficienza dei processi, al fine di raggiungere gli obiettivi di sostenibilità del mix energetico nazionale, quindi per la transizione energetica.
Il potenziale delle applicazioni dell’intelligenza artificiale per lo sviluppo delle energie rinnovabili è quasi illimitato. Molti player di questo mercato stanno testando soluzioni innovative per migliorare le performance dei loro sistemi. Le applicazioni di intelligenza artificiale possono permettere di sfruttare al massimo il funzionamento degli impianti, prevedendo in anticipo le condizioni meteo, come l’esposizione al sole delle superfici fotovoltaiche, la direzione e la forza dei venti nel caso dell’eolico o l’indice di piovosità per l’idroelettrico.
Machine learning e modelli predittivi possono anche aiutare nella gestione dell’erogazione di energia per le utenze domestiche nelle città, ottimizzando la rete di distribuzione.
Secondo l’Agenzia internazionale per l’energia (Aie), nei prossimi anni, in campo energetico l’AI sarà determinante e trasformerà i sistemi energetici globali in maniera radicale, rendendoli maggiormente interconnessi, affidabili e sostenibili. In particolare, l’Aie sottolinea che l’AI può risolvere molte problematiche complesse nella produzione di energia pulita e in generale nel consumo di energia.
AI, big data e IoT nella transizione energetica
L’AI si lega ai big data e all’Internet of things, in un mix di analisi molto potente. Si stanno diffondendo, infatti, sempre più i sistemi integrati in grado di raccogliere dati in tempo reale da una rete di sensori remoti, disposti a monte e a valle della filiera produttiva: nel caso delle fonti rinnovabili, dall’impianto fotovoltaico o eolico alla rete di distribuzione. Questi dati vengono trasmessi tramite reti Wi-fi alle strutture di controllo, dove vengono elaborati per mezzo di software di analisi e algoritmi di apprendimento automatico (machine learning).
Secondo il rapporto “Artificial Intelligence and the Circular Economy. AI as a Tool to Accelerate the Transition” della Ellen MacArthur Foundation, l’intelligenza artificiale può risolvere molto più rapidamente i problemi complessi posti dalla transizione energetica, aiutando aziende e governi a velocizzare i flussi di risorse dell’economia circolare e instaurando così un circolo virtuoso.
Tre sono le modalità principali attraverso le quali ciò potrebbe avvenire:
- la progettazione di prodotti, componenti e materiali per l’economia circolare;
- la gestione di modelli di business circolari;
- l’ottimizzazione delle infrastrutture dell’economia circolare.
Eolico: come gli algoritmi di machine learning possono prevedere il comportamento dei venti
DeepMind, il laboratorio londinese di Google, fornisce un esempio di applicazione dell’AI alle energie rinnovabili. L’energia prodotta dalle turbine eoliche è in costante crescita, il vento però è difficilmente prevedibile, quindi non è possibile stimare con precisione la produzione ottenuta tramite questo sistema. Gli algoritmi di machine learning sono in grado di anticipare il comportamento del vento, nei grandi parchi eolici, di almeno 36 ore; di conseguenza, si può prevedere la quantità di energia prodotta incrociando i dati storici con le previsioni meteo.
Questo sistema è stato sperimentato negli Usa facendo aumentare il rendimento della produzione di energia del 20%. I ricercatori che hanno effettuato il test spiegano che con il machine learning non è possibile eliminare del tutto l’imprevedibilità del vento, ma si può comunque rendere l’energia eolica più prevedibile, quindi valorizzabile.
L’azienda di proprietà di Google ha messo a punto un sistema in grado di migliorare la gestione energetica dei grandi data center, riducendone il consumo di energia e i costi relativi. Il sistema, sfruttando l’addestramento delle reti neurali, ha “imparato a conoscere” il funzionamento dei data center ed è in grado di identificare quelle attività che sono in grado di ottimizzarne il funzionamento.
Sempre negli Usa, in Colorado, uno dei maggiori fornitori di energia, Xcel, sta implementando la tecnologia AI per generare report meteorologici molto accurati, grazie all’analisi dei dati satellitari e delle stazioni meteo situate nei pressi dei parchi eolici.
Solare: l’AI accelera la ricerca di nuovi materiali per i pannelli e aiuta a monitorare i consumi
L’intelligenza artificiale può migliorare la produzione di pannelli solari. Attualmente, infatti, essi sono realizzati con terre rare la cui produzione industriale richiede alte temperature, per ridurre l’ossido di silicio a silicio, per poi cristallizzarlo ed effettuare i drogaggi selettivi che attribuiscono alle giunzioni di silicio le proprietà fotoelettroniche. La ricerca basata su AI riesce ad accelerare il processo di individuazione dei nuovi materiali per la costruzione dei pannelli; di norma, infatti, la sperimentazione viene condotta mediante un approccio trail-and-error, che può richiedere migliaia di test.
Ancora, in India un progetto sviluppato dalla start up Thingscloud, basato su AI, permette di ottimizzare i consumi di energia solare nel comparto residenziale, dando la possibilità agli utenti di misurare e monitorare con precisione i loro consumi di energia, e inoltre di conservare il 20-30% di energia in eccesso e immagazzinare quella da utilizzare ogni volta che si verifica un blackout, cosa non infrequente nel Paese. Secondo alcuni studi, grazie a una maggiore flessibilità di stoccaggio i costi operativi complessivi potrebbero ridursi del 50%.
AI e deep learning per l’energy storage
Uno studio del MIT ha dimostrato come il settore dell’energy storage possa giovarsi dell’utilizzo dell’AI, in particolare delle tecniche di deep learning (categoria del machine learning fondata su un modello di apprendimento dei dati basato sulle reti neurali). Lo studio ha preso in esame materiali denominati “complessi dei metalli di transizione”, molto interessanti per le loro particolari proprietà, ma che hanno lo svantaggio di essere numerosissimi: riuscire a selezionarne alcuni di quelli che potrebbero risultare utili richiede complessi esami di laboratorio e quindi tempi molto lunghi.
Il team del MIT, allora, ne ha preso in considerazione solo un certo numero, inserendo le relative informazioni in un sistema di deep learning. L’addestramento delle reti neurali richiede set di dati molto ampi, ma i ricercatori sono riusciti a finalizzare comunque il procedimento, riuscendo a ottenere risultati affidabili, utilizzando solo un determinato numero di campioni. È stato così possibile ridimensionare e velocizzare il lavoro di selezione per giungere ai risultati desiderati.
L’intelligenza artificiale viene già utilizzata, e lo sarà sempre più in futuro, anche per la manutenzione predittiva. L’analisi dei dati provenienti dai sensori delle turbine eoliche consentono di monitorarne l’usura e prevederne la necessità di manutenzione. General Electric, ad esempio, ha realizzato un sistema, denominato Predix, che utilizza la potenza computazionale dell’AI per l’analisi predittiva sulle macchine utilizzate per generare energia eolica, riducendone sensibilmente il fermo.
