Rinnovabili e intelligenza artificiale, se opportunamente collegate, possono dar vita a un ecosistema energetico integrato dalle enormi potenzialità. E tutte le possibili sinergie dei due settori possono essere sviluppate portando avanti insieme la transizione verde e quella digitale, in particolare per affrontare le sfide legate all’intermittenza delle energie dalle fonti eolica e solare. Senza dimenticare, tuttavia, la necessità di bilanciare i benefici dell’AI con gli alti consumi che essa comporta.
Questo tema è uno di quelli al centro del Digitalization & Decarbonization Report 2024 (Short Report Digitalization & Decarbonization 2024) redatto dall’Energy&Strategy della School of management del Politecnico di Milano, presentato oggi con la partecipazione delle aziende partner. Il punto messo in luce dal rapporto è che la «transizione gemella», cioè verde e digitale insieme, deve essere portata avanti in maniera integrata, per sbloccarne il potenziale sinergico. Grazie alle tecnologie digitali, viene ad esempio evidenziato, sarà possibile ridurre del 53% le emissioni complessive nello scenario europeo di neutralità carbonica al 2050, attraverso impatti diretti (18%) e indiretti (35%). E l’intelligenza artificiale giocherà un ruolo da protagonista, in particolare perché rappresenta uno strumento essenziale per affrontare le sfide legate all’intermittenza delle energie da fonti rinnovabili e per accelerare la loro integrazione nel sistema energetico.
«Già oggi, e ancor più in futuro, le Fer rappresentano una quota significativa della generazione elettrica nazionale, apportando importanti benefici ambientali - commenta Vittorio Chiesa, direttore di E&S -. Tuttavia, la loro natura non programmabile, dipendente dalle condizioni atmosferiche così come dai fabbisogni di famiglie e imprese, genera frequenti squilibri tra produzione e consumo». Aggiunge Federico Frattini, vicedirettore di E&S e responsabile della ricerca: «Questo fenomeno rappresenta una sfida significativa per il sistema elettrico, che deve affrontare continui momenti di sbilanciamento, ma non: in prospettiva, una quota crescente di energia rinnovabile sarà destinata alla produzione di idrogeno a zero emissioni, che verrà trasportato e gestito attraverso un’infrastruttura molto simile a quella utilizzata per il gas naturale (in alcuni casi, le due molecole condivideranno persino le stesse reti di trasporto), quindi l’intermittenza delle FER avrà implicazioni anche sul sistema di gas e idrogeno. Le applicazioni analizzate, dunque, trovano un ampio utilizzo anche in questo settore emergente, contribuendo a costruire un ecosistema energetico integrato».
Tutto senza dimenticare la necessità di un quadro normativo che indirizzi in maniera decisa la transizione digitale, attraverso investimenti mirati e meccanismi regolatori robusti. Negli ultimi 5 anni, l’Europa si è posta all'avanguardia della governance digitale globale e dell'innovazione in termini di politiche e nel Report vengono approfondite alcune delle principali misure europee, come il Data Act, il Chip Act e l’AI Act.
Le applicazioni dell’intelligenza artificiale si estendono all’intera filiera del settore energetico, dalla produzione al trasporto e alla distribuzione, fino al consumo finale: alcune sono strettamente connesse alla transizione, mentre altre, pur offrendo notevoli opportunità di supporto alla decarbonizzazione, trovano impiego in ambiti differenti, come la manutenzione predittiva, che può essere applicata anche in contesti tradizionali come la gestione delle centrali termoelettriche. L’edizione 2024 del Ddr dell’E&S si è focalizzata sulle tre azioni strategiche basate sull’AI che - pur riferite a fasi e tecnologie differenti - impattano sulla gestione della natura intermittente delle fonti energetiche rinnovabili: migliorare la previsione della generazione rinnovabile attraverso tecnologie avanzate di Generation Forecast; potenziare la capacità della rete elettrica di gestire gli sbilanciamenti con soluzioni per la Grid Stability; adattare il profilo di consumo a quello di produzione mediante l’implementazione di meccanismi di Demand Response.
L’analisi della prima applicazione, Generation Forecast, evidenzia la necessità di distinguere tra tecnologia fotovoltaica ed eolica, predominanti nel panorama delle energie rinnovabili: per entrambe, gli algoritmi di ensemble - diversamente da altri - si sono dimostrati particolarmente efficaci perché permettono di distinguere eventi strutturali da quelli contingenti, come giornate insolitamente soleggiate o ventose. In generale, i casi di studio analizzati mostrano che l’intelligenza artificiale può migliorare l’accuratezza delle previsioni di generazione degli impianti rinnovabili di oltre il 30%, con benefici significativi per l’intero sistema.
La seconda applicazione, Grid Stability, affronta una sfida complessa caratterizzata da una varietà di fenomeni eterogenei, ciascuno dei quali richiede approcci specifici e interventi mirati. L’analisi ha evidenziato che i fenomeni di small-signal stability e voltage stability possono essere gestiti efficacemente mediante algoritmi di ensemble e modelli non lineari statici. Questi strumenti sono particolarmente adatti a catturare relazioni statiche tra variabili di sistema, offrendo previsioni affidabili in contesti relativamente stabili. Al contrario, i fenomeni di transient stability e frequency stability necessitano di modelli avanzati che incorporino la dimensione temporale. Gli algoritmi sequenziali risultano efficaci per rappresentare l’evoluzione temporale di eventi critici, come oscillazioni o variazioni improvvise nella rete.
Infine, per il contesto della Demand Response, quasi tutti gli algoritmi esaminati hanno dimostrato di poter supportare efficacemente applicazioni quali lo scheduling dei carichi, sia a livello individuale che aggregato, e la definizione di schemi ottimali di incentivi o prezzi. Tuttavia, le performance e il livello di dettaglio fornito variano significativamente tra i diversi algoritmi, quindi va selezionata la soluzione più adatta.
«Esiste un'ampia varietà di soluzioni digitali per la decarbonizzazione che coinvolgono in prima linea i cittadini e le loro scelte e che richiedono lo sviluppo di uno specifico know-how tecnologico in ambito di sistemi IoT e di tecniche per la gestione dell’AI - conclude Frattini -. I costi e la complessità tecnica possono rappresentare una barriera all’integrazione di questi sistemi, ma con un approccio pragmatico e integrato si possono ottenere risultati soddisfacenti che ci mettano al passo con i target di decarbonizzazione delle politiche comunitarie».
