Le tecnologie dell'IA al servizio della transizione energetica

Dalla manutenzione alle previsioni sulla produzione rinnovabile fino alla ricerca di nuovi materiale per celle solari e batterie. L'intelligenza artificiale si sta facendo spazio nel settore delle green energy, con la promessa di un futuro più efficiente, sostenibile e sicuro.

La transizione energetica sta rendendo i sistemi energetici mondiali via via più complessi. Il modello storico, imperniato su grandi impianti centralizzati e alimentati dalle fonti fossili, oggi ha lasciato spazio alla generazione distribuita e la progressiva diffusione delle fonti rinnovabili non programmabili. Di pari passo negli ultimi anni sono aumentati i dispositivi connessi alla rete - dalle stazioni di ricarica per veicoli elettrici alle installazioni fotovoltaiche - e sono mutati i profili di produzione e consumo con una crescente necessità di supportare flussi di elettricità multidirezionali tra generatori distribuiti, rete e utenti. Il tutto mentre la decarbonizzazione economica si fa sempre più urgente.

Non sorprende quindi che il mondo dell'energia abbia già iniziato a muovere i primi passi per sfruttare la potenza dell'intelligenza artificiale (IA) come approccio a tale complessità. Strumenti come il machine learning, il deep learning, le reti neurali artificiali o la computer vision hanno il potere di rivoluzionare il modo in cui l'energia viene generata, gestita e consumata.

Integrare l'IA nel settore e in particolare nel segmento delle rinnovabili può, infatti, migliorare l'efficienza e la resa degli impianti, ridurre i costi, accelerare l'innovazione, analizzando le sempre maggiori quantità di dati generate dal processo di digitalizzazione.

Le prime applicazioni non mancano. Un’analisi del gruppo Indigo Advisory nel 2023 ha stimato per il mercato dell'intelligenza artificiale nel settore energetico un valore di 13 miliardi di dollari. Contando solo quell'anno 100 fornitori con soluzioni di IA integrate nei loro prodotti, a servizio di oltre 50 possibili casi d'uso, dalla manutenzione della rete alla previsione del carico. Numeri destinati a crescere in maniera esponenziale.

Ma vediamo da vicino alcune delle più diffuse applicazioni dei modelli di IA nel campo delle rinnovabili.

Efficientare la ricerca energetica

La capacità dell'IA di analizzare grandi volumi di dati e input, generando output più rapidamente di quanto potrebbe fare un operatore umano, offre innegabili vantaggi nel settore della ricerca. Deep e machine learning stanno trasformando il tradizionale approccio scientifico fatto di tentativi ed errori sperimentali, riducendo costi e migliorando l'efficienza della ricerca. Lo scorso anno, ad esempio, un team internazionale di scienziati ha utilizzato l'apprendimento automatico per sviluppare celle solari in perovskite con prestazioni quasi da record. Il team ha realizzato un algoritmo ad hoc con cui ha trovato nuove molecole organiche ad alte prestazioni per il trasporto delle lacune su oltre un milione di candidati.

O ancora: un gruppo di ingegneri dell'Università di Nankai ha esplorato il potenziale di grandi modelli linguistici, in particolare ChatGPT, per fare brainstorming di idee e formulare nuove ipotesi all'interno della scienza dei materiali sperimentali per il fotovoltaico.

Aumentare la produzione impianti

L'intelligenza artificiale può essere utilizzata per analizzare grandi quantità di dati provenienti da installazioni eoliche, solari o di accumulo energetico, identificando modelli e tendenze che sarebbero difficili o impossibili da rilevare per gli ingegneri umani. L'approccio può aiutare le imprese e i proprietari di impianti a ottimizzare l'output dei propri sistemi.

Progetti come l'iniziativa tedesca Deep Track, ad esempio, stanno impiegando gemelli digitali e deep learning per ottimizzare il tracciamento degli inseguitori fotovoltaici e aumentare la resa.

L’istituto tedesco Fraunhofer ISE in collaborazione con diversi partner industriali ha impiegato invece reti neurali artificiali -  modelli computazionali ispirati al funzionamento del cervello umano - per creare un innovativo regolatore per pompe di calore intelligenti per il riscaldamento residenziale. L’obiettivo? Far sì che questi apparecchi rispondano in maniera adattiva alle mutevoli condizioni dell’ambiente garantendo comfort e consumi ridotti. L’iniziativa, tuttora in corso, è riuscita già ad aumentare il risparmio energetico del 135 e i coefficiente di prestazione (COP) del 25%

Migliorare la manutenzione predittiva

L'intelligenza artificiale può essere utilizzata per sviluppare strategie di manutenzione predittiva per infrastrutture di energia rinnovabile. Ciò può aiutare le aziende ad identificare e risolvere potenziali problemi prima che causino tempi di inattività o guasti, con conseguenti significativi risparmi sui costi e una migliore affidabilità.

Un esempio? Il progetto italiano MARTA vede l’ENEA impegnata a realizzare nuovi strumenti di monitoraggio. Nel dettaglio l’iniziativa è stata lanciata con l’obiettivo di mettere a punto specifici dispositivi IoT da applicare ai pannelli solari, realizzando dalle informazioni così raccolte algoritmi finalizzati ad assicurare la massima produzione energetica e a evitare le perdite.

O ancora. Nel 2023 una ricerca internazionale ha messo a punto un approccio alternativo per rilevare efficacemente i difetti nelle pale eoliche. Nel dettaglio un team di scienziati ricercatori dell'università di Glasgow, in Scozia e dell’EPFL svizzero ha impiegato una tecnologia radar con un braccio robotico per ispezionare campioni di pale industriali a distanze di 5, 10 e 15 centimetri dal campione stesso. Utilizzando metodi di elaborazione del segnale, hanno potuto isolare caratteristiche e precursori di futuri guasti nei materiali compositi. I dati sono stati quindi utilizzati per addestrare un algoritmo insegnandogli a distinguere possibili anomalie su turbine eoliche esistenti.

Fornire previsioni affidabili

Tradizionalmente, i metodi di previsione per eolico e solare si sono basati su modelli statistici e dati meteorologici ottenuti da satelliti e sensori terrestri. Tecniche utili ma poco precise - il margine di errore può arrivare al 50% - nel prevedere fluttuazioni a breve termine. Informazioni invece essenziali per la rete e il mercato elettrico.

Le previsioni basate sull'intelligenza artificiale impiegano in genere algoritmi di apprendimento automatico addestrati su grandi set di dati e tecniche come il deep learning e le reti neurali artificiali possono riconoscere schemi e dare un senso alle complesse interazioni tra vari fattori che influenzano la produzione.

Uno dei primi esperimenti in tal senso appartiene a Google. La compagnia e la sua sussidiaria AI DeepMind hanno sviluppato nel 2019 una rete neurale per aumentare l'accuratezza delle previsioni per la propria flotta rinnovabile da 700 MW. Sulla base di dati storici, la rete ha sviluppato un modello per prevedere la produzione futura fino a 36 ore in anticipo con una precisione molto maggiore di quanto fosse possibile in precedenza. Questa aumentata visibilità consente a Google di vendere la sua energia con un valore finanziario più alto del 20%.

Questa capacità, se ampliata, potrebbe avere un impatto significativo anche  sulla promozione dello spostamento del carico e del peak shaving. Soprattutto se combinata con migliori previsioni della domanda.

I rischi da tenere d’occhio

Di fronte a tutti questi vantaggi, l’Agenzia Internazionale dell’Energia IEA mette in guardia anche dagli eventuali rischi. “Senza l'IA - scrivono gli analisti Vida Rozite, Jack Miller e Sungjin Oh - gli operatori di sistema e le utility saranno in grado di utilizzare in modo efficace solo una frazione delle nuove fonti di dati e dei processi offerti dalle tecnologie digitali emergenti, perdendo una parte significativa dei vantaggi offerti. Tuttavia, i rischi associati all'IA devono essere considerati e affrontati prima che la tecnologia venga estesa a tutto il settore”.

Questi includono minacce alla sicurezza informatica e alla privacy, l'influenza di pregiudizi o errori nei dati e correlazioni errate dovute a formazione insufficiente, dati o errori di codifica. Senza contare che le tecnologie di intelligenza artificiale utilizzano anche più energia rispetto ad altre forme di elaborazione.

“Affinché l'IA sia un alleato efficace verso sistemi energetici efficienti, decarbonizzati e resilienti, i governi dovranno anche sviluppare meccanismi per la condivisione dei dati e la governance. Un approccio globale coordinato può abilitare soluzioni replicabili e applicabili a livello internazionale, trasferire gli apprendimenti a livello globale e accelerare la transizione energetica riducendone i costi”. 
 

 Articolo realizzato in collaborazion con Rinnovabili.it