Riassunto analitico
É ormai evidente come la transizione energetica non sia più una scelta ma una necessità, che spinge il settore energetico verso l’adozione di nuove soluzioni tecnologiche e modelli organizzativi più eco-sostenibili.
Uno di questi sono le comunità energetiche (CE), ossia coalizioni di utenti che, tramite la volontaria adesione ad un contratto, collaborano con l’obiettivo di produrre, consumare e gestire l’energia attraverso un impianto energetico locale condiviso, al fine di massimizzare l’autoconsumo fisico e virtuale.
Un utente che non si limita al ruolo passivo di consumatore (consumer), ma partecipa attivamente alle diverse fasi del processo produttivo (producer) viene definito prosumer, ossia colui che possiede un proprio impianto di produzione di energia, della quale ne consuma una parte. La rimanente quota di energia può essere immessa in rete, scambiata con gli altri membri della CE, o anche accumulata in un apposito sistema di deposito dell’energia.
Questo elaborato ha come oggetto lo sviluppo di tecniche che permettano l’ottimizzazione dell’autoconsumo collettivo nell’ambito delle CE. Gli algoritmi realizzati nel progetto saranno inseriti all’interno della piattaforma ROSE, un software per la gestione delle CE sviluppato dall’azienda Maps.
La base del sistema parte dalla modellizzazione del prosumer, in modo da poter dare struttura al problema di ottimizzazione. Una criticità del modello è data dalle misurazioni riportare dal contatore che gestisce i flussi di energia tra rete di distribuzione e prosumer. Non vengono calcolati i valori di produzione e di consumo, ma viene riportata la loro differenza con i valori aggregati ogni 15 minuti. Quando il consumo è maggiore della produzione, la differenza viene sommata al valore di assorbito mentre nel caso opposto viene sommata al valore dell’immesso.
Poiché assorbito ed immesso sono alla base del calcolo degli incentivi economici associati alla CE, il primo contributo del progetto è stato la realizzazione di un modello per stimare i loro valori sulla base dei dati storici, delle predizioni di consumo e, quando applicabile, di produzione.
Il problema di ottimizzazione è affrontato con tecniche di programmazione lineare intera mista.
L’elemento principale sul quale questo algoritmo si concentra è la previsione delle politiche di utilizzo del sistema di accumulo dell’energia. La funzione obbiettivo tiene in considerazione la minimizzazione dei costi, considerando sia i prezzi di acquisto e di vendita della corrente elettrica che gli incentivi derivanti dall’autoconsumo collettivo.
Per ottenere il massimo beneficio, è necessario disporre di algoritmi di predizione dei consumi e della produzione accurati.
Per il forecasting dell’energia prodotta dall’impianto fotovoltaico è stato sviluppato un modello regressivo basato su Random Forest che utilizza come input le previsioni metereologiche (in particolare, temperatura e irraggiamento solare) e i dati storici di produzione (utili a identificare eventuali scostamenti dal rendimento ideale dell’impianto).
Per la previsione dei consumi sono stati sperimentati una serie di modelli basati su reti neurali ricorrenti, Transformer e un’innovativa architettura basata su residual links e MLP.
Unendo questi elementi si crea un sistema in grado di ottimizzare le performance delle CE.
|
Abstract
É ormai evidente come la transizione energetica non sia più una scelta ma una necessità, che spinge il settore energetico verso l’adozione di nuove soluzioni tecnologiche e modelli organizzativi più eco-sostenibili.
Uno di questi sono le comunità energetiche (CE), ossia coalizioni di utenti che, tramite la volontaria adesione ad un contratto, collaborano con l’obiettivo di produrre, consumare e gestire l’energia attraverso un impianto energetico locale condiviso, al fine di massimizzare l’autoconsumo fisico e virtuale.
Un utente che non si limita al ruolo passivo di consumatore (consumer), ma partecipa attivamente alle diverse fasi del processo produttivo (producer) viene definito prosumer, ossia colui che possiede un proprio impianto di produzione di energia, della quale ne consuma una parte. La rimanente quota di energia può essere immessa in rete, scambiata con gli altri membri della CE, o anche accumulata in un apposito sistema di deposito dell’energia.
Questo elaborato ha come oggetto lo sviluppo di tecniche che permettano l’ottimizzazione dell’autoconsumo collettivo nell’ambito delle CE. Gli algoritmi realizzati nel progetto saranno inseriti all’interno della piattaforma ROSE, un software per la gestione delle CE sviluppato dall’azienda Maps.
La base del sistema parte dalla modellizzazione del prosumer, in modo da poter dare struttura al problema di ottimizzazione. Una criticità del modello è data dalle misurazioni riportare dal contatore che gestisce i flussi di energia tra rete di distribuzione e prosumer. Non vengono calcolati i valori di produzione e di consumo, ma viene riportata la loro differenza con i valori aggregati ogni 15 minuti. Quando il consumo è maggiore della produzione, la differenza viene sommata al valore di assorbito mentre nel caso opposto viene sommata al valore dell’immesso.
Poiché assorbito ed immesso sono alla base del calcolo degli incentivi economici associati alla CE, il primo contributo del progetto è stato la realizzazione di un modello per stimare i loro valori sulla base dei dati storici, delle predizioni di consumo e, quando applicabile, di produzione.
Il problema di ottimizzazione è affrontato con tecniche di programmazione lineare intera mista.
L’elemento principale sul quale questo algoritmo si concentra è la previsione delle politiche di utilizzo del sistema di accumulo dell’energia. La funzione obbiettivo tiene in considerazione la minimizzazione dei costi, considerando sia i prezzi di acquisto e di vendita della corrente elettrica che gli incentivi derivanti dall’autoconsumo collettivo.
Per ottenere il massimo beneficio, è necessario disporre di algoritmi di predizione dei consumi e della produzione accurati.
Per il forecasting dell’energia prodotta dall’impianto fotovoltaico è stato sviluppato un modello regressivo basato su Random Forest che utilizza come input le previsioni metereologiche (in particolare, temperatura e irraggiamento solare) e i dati storici di produzione (utili a identificare eventuali scostamenti dal rendimento ideale dell’impianto).
Per la previsione dei consumi sono stati sperimentati una serie di modelli basati su reti neurali ricorrenti, Transformer e un’innovativa architettura basata su residual links e MLP.
Unendo questi elementi si crea un sistema in grado di ottimizzare le performance delle CE.
|
