Come l'intelligenza artificiale sta ridisegnando il futuro dell'energia negli edifici

‍

Nell'ultimo anno, il mondo è stato testimone di un cambiamento trasformativo portato dall'intelligenza artificiale generativa. Questa tecnologia rivoluzionaria ha portato a progressi senza precedenti in diversi settori e molti esperti l'hanno definita una delle scoperte tecnologiche più significative della storia recente.

In questo articolo analizzeremo come altre forme di IA stiano attualmente rivoluzionando uno degli elementi infrastrutturali chiave della società moderna: il settore energetico.

Negli ultimi due secoli, l'energia, nelle sue diverse forme, è stata uno dei principali motori dello sviluppo economico e del miglioramento del tenore di vita in tutto il mondo. Tuttavia, questa intensa domanda di energia è stata soddisfatta principalmente attraverso il consumo di combustibili fossili, che ha portato all'estrazione di grandi quantità di carbonio immagazzinato sotto la crosta terrestre e al suo rilascio nell'atmosfera. Questo processo è stato il catalizzatore di una delle più grandi minacce esistenziali che l'umanità abbia mai affrontato: il cambiamento ^climatico1.

Negli ultimi anni, quando un numero sempre maggiore di prove scientifiche ha iniziato a evidenziare l'urgenza e la gravità del riscaldamento climatico, il risparmio energetico è diventato un obiettivo primario ed è ora all'ordine del giorno della maggior parte delle organizzazioni pubbliche e private di tutto il mondo. Grazie alla grande potenza di calcolo e alla disponibilità di un numero sempre maggiore di dati, nel settore dell'energia sono apparse diverse soluzioni basate sull'intelligenza artificiale.

Questo è il primo di una serie di post in cui fornirò una panoramica generale, oltre a qualche approfondimento, su diversi argomenti e tecnologie all'intersezione tra AI ed energia. In questo primo articolo, l'attenzione si concentrerà sull'ottimizzazione del consumo energetico negli edifici attraverso l'impiego di modelli di apprendimento automatico.

‍

La differenza tra intelligenza artificiale e apprendimento automatico

Per evitare confusione, chiariamo rapidamente i termini Intelligenza Artificiale (AI) e Apprendimento Automatico (ML), spesso usati in modo intercambiabile.

L'IA è un concetto più ampio di informatica che si riferisce alla creazione di sistemi in grado di eseguire compiti che tipicamente richiedono l'intelligenza umana.

Il ML è un sottoinsieme dell'IA che prevede l'uso di algoritmi per consentire alle macchine di apprendere dai dati e prendere decisioni basate su di essi. L'apprendimento automatico è una delle tecniche chiave attualmente utilizzate per realizzare l'intelligenza artificiale, ma non tutti i sistemi di IA utilizzano il ML come tecnologia di ^base2. Le tecniche che analizzeremo in questo post appartengono alla categoria dell'apprendimento automatico.

Ora che abbiamo chiarito i due concetti, siamo pronti a intraprendere il nostro viaggio. Ma prima di immergerci nei dettagli tecnici, facciamo un passo indietro e cerchiamo di capire meglio il contesto degli edifici e la loro importanza nel nostro sforzo globale per ridurre le emissioni di carbonio.

‍

Perché gli edifici sono importanti per il cambiamento climatico?

Secondo l'Agenzia Internazionale dell'Energia (AIE), le attività degli edifici (esclusa la costruzione) rappresentano il 30% del consumo finale di energia e il 26% delle emissioni globali di carbonio legate all'^energia3. Questo comprende l'8% di emissioni dirette negli edifici e il 18% di emissioni indirette derivanti dalla produzione di elettricità e calore utilizzati negli edifici.

‍

‍

‍

Rendere gli edifici più efficienti dal punto di vista energetico è quindi considerato essenziale per raggiungere in tempo gli obiettivi climatici globali. Secondo le proiezioni dell'AIE, l'implementazione dell'efficienza energetica potrebbe ridurre le emissioni annuali legate all'energia di 3,5 Gt CO2-eq, contribuendo a oltre il 40% dell'abbattimento richiesto per essere in linea con l'Accordo di ^Parigi4.

Tuttavia, gli ultimi rapporti hanno dimostrato che gli sforzi globali per ridurre il consumo di energia negli edifici sono al di sotto dei progressi necessari. Per raggiungere gli obiettivi fissati per il 2030 nello scenario "Net Zero by 2050" è necessario un significativo cambiamento di tendenza e un notevole sforzo.

‍

‍

‍

Questo necessario cambio di passo potrebbe essere facilitato da soluzioni basate sull'intelligenza artificiale. Ciò è sempre più possibile grazie alla rapida digitalizzazione degli edifici e all'installazione diffusa di sensori e contatori, che stanno rendendo possibile l'implementazione di tali soluzioni ora e continueranno a farlo nei prossimi anni. Passiamo quindi a cercare di rispondere alla prossima domanda: in che modo l'IA può aiutarci nell'ambizioso compito di decarbonizzare il settore degli edifici?

‍

Casi d'uso per la previsione del consumo energetico

Ridurre le emissioni di carbonio negli edifici non è facile. È un puzzle complesso con molte parti in movimento. Un pezzo fondamentale del puzzle è la creazione di modelli di consumo affidabili degli edifici, che possono essere utilizzati per ottimizzare l'uso dell'energia in diversi modi. Una modellazione accurata dei consumi energetici consente di prendere decisioni tempestive e informate sull'uso dell'energia, di ridurre gli sprechi e, in ultima analisi, di contribuire ai nostri sforzi per raggiungere edifici a energia zero. Questa particolare area rappresenta un'opportunità fondamentale per l'IA di avere un impatto significativo.

Tutto questo può sembrare ancora un po' astratto, quindi analizziamo sei casi d'uso comuni in cui la modellazione del consumo energetico può aiutare a ridurre le emissioni di carbonio negli edifici.
‍

1. Rilevare gli sprechi di energia e le anomalie nei consumi: La maggior parte degli edifici di grandi dimensioni viene gestita in modo inefficiente, con conseguente spreco di notevoli quantità di energia. I modelli di previsione energetica possono essere utilizzati per stabilire il consumo di base di un edificio. Una volta disponibile, gli algoritmi di rilevamento delle anomalie possono essere utilizzati per valutare costantemente le prestazioni dell'edificio rispetto alla linea di base. Eventuali scostamenti significativi nei consumi possono indicare problemi o inefficienze, come malfunzionamenti delle apparecchiature, che possono essere affrontati tempestivamente. Ciò è particolarmente importante nelle strutture di grandi dimensioni, dove il controllo di tutti i sistemi può essere impegnativo e i piccoli guasti, se non rilevati tempestivamente, possono comportare un notevole spreco di energia.
   ‍
2. Valutare le misure di efficienza energetica negli edifici attraverso misure e verifiche avanzate: La stima dell'impatto dei progetti di efficienza energetica, comunemente chiamata Misurazione e Verifica (M&V), è un processo complesso. I risparmi di efficienza energetica rappresentano un'assenza di consumo e quindi non possono essere misurati con uno strumento. Un modo per superare questo problema è calcolare un modello energetico controfattuale. I modelli controfattuali sono modelli utilizzati per considerare quale sarebbe stato il risultato di una situazione se fosse stata presa una decisione diversa o si fosse verificato un evento diverso. Quando si lavora con l'efficienza energetica, un modello energetico controfattuale può essere usato per stimare il consumo di un edificio in uno scenario alternativo in cui una misura di efficienza energetica non è stata implementata. Confrontando il consumo reale del contatore e quello del modello controfattuale si può stimare l'entità del risparmio. Questi modelli aiutano i gestori dell'energia a valutare quantitativamente l'impatto degli interventi implementati e a guidare le strategie future.
   ‍
3. Ottimizzazione del controllo del riscaldamento, della ventilazione e del condizionamento dell'aria (HVAC) mediante controllori predittivi a modello (MPC): I sistemi di condizionamento dell'aria possono rappresentare una parte consistente del consumo energetico complessivo di un edificio. Ciò significa che il consumo dell'edificio può essere ridotto in modo significativo semplicemente controllando questi sistemi in modo ottimale. Tuttavia, a seconda delle dimensioni dell'edificio, questi sistemi possono essere costituiti da centinaia di componenti e controllarli può essere un compito impegnativo. I Model Predictive Controllers (MPC) sono modelli predittivi che aiutano a prendere decisioni di controllo ottimali per bilanciare la delicata interazione tra il mantenimento dei livelli di comfort interno e la risposta alle informazioni provenienti dai sensori dell'edificio, dal meteo esterno e dallo stato della rete elettrica. Questo non solo porta a risparmi energetici e di carbonio, ma contribuisce anche a obiettivi più ampi, come il sostegno all'integrazione delle fonti di energia rinnovabili e la stabilizzazione della rete energetica.
   ‍
4. Stima dell'impatto della diffusione della flessibilità della domanda: La flessibilità della domanda (Demand Side Flexibility, DSF) si riferisce alla pratica di modulare la domanda di energia all'interno di un edificio o di una struttura per adeguarla alla disponibilità dell'offerta, principalmente durante i picchi di domanda. I modelli energetici controfattuali possono essere utilizzati per stimare l'impatto della flessibilità, fornendo un'analisi "what-if" che contrappone lo scenario attuale a uno alternativo in cui la domanda di energia non è stata ridotta. Ciò ha una particolare rilevanza nel calcolo delle compensazioni di flessibilità per gli enti, consentendo una rappresentazione accurata del valore apportato all'efficienza e alla stabilità della rete energetica complessiva.
   ‍
5. Supporto alle utility energetiche nella pianificazione del mercato del giorno prima: I mercati energetici del giorno prima si basano sulla previsione della domanda oraria di energia del giorno successivo, un processo cruciale per le aziende energetiche. Gli algoritmi di previsione svolgono un ruolo molto importante nella previsione di queste richieste, fornendo alle utility le informazioni necessarie per partecipare alle aste del mercato dell'energia. In questo modo, possono determinare la quantità di energia da fornire e il prezzo corrispondente. Grazie alle stime accurate di questi algoritmi, viene garantita un'allocazione ottimale delle risorse, il che significa che le fonti energetiche ad alta intensità di CO2, come il gas naturale, possono essere tenute in standby quando non sono necessarie, riducendo in modo significativo le emissioni indirette di carbonio degli edifici.
   ‍
6. Caratterizzazione dell'involucro edilizio attraverso modelli di inferenza: L'involucro di un edificio è costituito dagli elementi fisici che separano l'interno dell'edificio dall'ambiente esterno, come pareti, tetti e finestre. La conoscenza della qualità dell'involucro di un edificio può evidenziare aree di inefficienza, come la perdita di calore attraverso pareti scarsamente isolate, guidando miglioramenti mirati. I modelli di consumo energetico possono analizzare i dati storici di consumo energetico per individuare automaticamente gli edifici scarsamente isolati, riducendo la necessità di audit energetici ad hoc e diminuendo significativamente i tempi per queste analisi.
   ‍

‍

Ciascuna delle applicazioni descritte ha uno scopo specifico, contribuendo all'ottimizzazione energetica e alla riduzione delle emissioni nell'ambiente costruito. Sottolineano il valore generale e il potenziale degli algoritmi di apprendimento automatico nel settore energetico, e questi esempi sono solo la punta dell'iceberg. Con l'evoluzione e il perfezionamento del campo dell'IA, possiamo aspettarci usi ancora più innovativi ed efficaci di queste tecnologie.

‍

Se volete approfondire il tema di come sfruttare l'IA per migliorare l'efficienza energetica e la sostenibilità, visitate Substack di Benedetto.

Note e fonti:

1. Se siete interessati a un resoconto dettagliato e ben scritto delle minacce esistenziali che l'umanità sta affrontando, potreste dare un'occhiata a Il precipizio di Toby Ord

2. Per un'analisi più dettagliata, si veda la panoramica di Google sull'IA e il ML.

3. Fonte: https: //www.iea.org/energy-system/buildings

4. Fonte: https: //www.iea.org/reports/multiple-benefits-of-energy-efficiency/emissions-savings

‍

‍