Caro energy manager…

In base a quanto condivide il FIRE, l’energy manager è la figura responsabile della gestione e ottimizzazione energetica in azienda. Si deve occupare quindi dei diversi aspetti dell’utilizzo e produzione energetica, con tutte le difficoltà che ciò comporta:

• acquisto dell’energia al minor prezzo
• monitoraggio, analisi e valutazione dell’efficienza energetica, anche tramite energy performance indicators
• ottimizzazione del consumo energetico di impianti, edifici, asset e linee
• promozione di acquisti e procedure a basso impatto ambientale in azienda

Spesso, per le aziende l’energia è percepita come un costo, e investire in strumenti o macchinari che possano migliorare l’efficienza energetica non è sempre una strada percepita di valore. L’energy manager quindi in moltissime realtà che non hanno l’energia come core business si trovano a gestire da soli o con un team molto ridotto le varie incombenze del caso, senza riuscire a dedicare il giusto tempo a tutti gli aspetti – di solito il mandato è paga meno, non mi interessa come.

In questo contesto, in cui le risorse sono limitate ma le richieste sempre più ambiziose – l’energy manager ha due strade: spegnere tutto, oppure trovare strategie per aumentare l’efficienza energetica. Ma per trovare queste strategie, serve tempo, per pensare, progettare e pianificare, e poi per verificare il saving ottenuto. Tempo che non sempre c’è.

What about AI?

Il tempo infatti spesso è dedicato all’analisi macchinosa dei dati, alla verifica dei prezzi, alla mappatura di fatture e consumi – in attività a limitato valore aggiunto ma necessarie per far funzionare tutto. E se si insegnasse ad un sistema automatico come prendersi cura di tutti gli aspetti più meccanici, lasciando all’energy manager il tempo per fare il suo lavoro?

I sistemi di intelligenza artificiale possono supportare un energy manager o – nel contesto della ISO50001 – un energy team in molti modi.

Acquisto dell’energia

I modelli di deep learning possono supportare l’energy manager in una migliore stima dei prezzi futuri dell’energia, utilizzando tool già disponibili che considerano il prezzo delle materie prime e della situazione di mercato, o sviluppando internamente tool specifici di previsione. Inoltre, avendo a disposizione un’idea dei prezzi energetici, i sistemi di AI e di ottimizzazione possono dare chiare indicazioni su cosa conviene consumare: a parità di output – pezzi prodotti, comfort termico, efficienza di impianto – meglio utilizzare olio o gas? Meglio una pompa di calore o una caldaia a gas? Questo tipo di insight rende possibile fare valutazioni strategiche su come fare retrofitting.

Gestione degli energy performance contracts

Spesso gli energy manager devono gestire i contratti di performance energetica, di solito proposti da ESCO, che guadagnano quindi in base al savings che riescono a garantire. Ci sono diverse tipologie di energy performance contracts, e a seconda del tipo di EPC i sistemi di baseline evoluta possono essere estremamente interessanti.

I modelli di deep learning infatti sono molto bravi a replicare quanto hanno già osservato. Allenando i modelli sui dati della situazione ex-ante, prima dell’intervento della ESCO, è possibile costruire baseline molto precise e in grado di rappresentare sistemi altamente non lineari. Ad esempio, è possibile costruire un modello che sappia dimensionare il saving ottenuto da una migliore regolazione del sistema di riscaldamento e raffrescamento, oppure che valuti il saving dopo l’installazione di componenti a maggiore performance energetica.

Questo tipo di modelli prevede infatti alle condizioni ambientali attuali quanto avrebbe consumato il sistema se si fosse comportato come prima, senza l’intervento. Confrontando il consumo predetto con il reale, è possibile identificare quanti kWh in meno si sta consumando, e cumulando nel tempo questo valore è facile valutare il saving legato al solo intervento valutato.

Valutazione del budget energetico

Sapere in anticipo quanto consumerà l’azienda o la fabbrica è uno dei compiti dell’energy manager, ma non sempre è facile ricostruire il consumo atteso. Utilizzando sistemi di forecasting AI-driven tuttavia è possibile partire dalle informazioni note del periodo in valutazione per ricostruire il probabile consumo in elettricità, calore, gas, e se serve anche del parco auto aziendale.

Un esempio potrebbe essere una previsione annuale del consumo di un’azienda manifatturiera: costruendo un modello in grado di prevedere il consumo in funzione dei volumi produttivi mensili previsti, delle ricette, dei turni e dell’indicazione di meteo previsto, si può disporre di un tool che annualmente sa stimare il consumo atteso di energia elettrica, termica e di gas per l’anno successivo.

Similmente, un energy manager che gestisce edifici, può costruire un modello che stimi il consumo atteso in base all’occupazione prevista, le caratteristiche della giornata e dell’ora, il meteo stimato e le indicazioni sulla percentuale di smart working da procedura aziendale.

Se poi si dispone di un sistema di autoproduzione – cogenerazione, fotovoltaico, solare termico – i sistemi di AI diventano ancora più utili: a partire dagli stessi dati di cui sopra infatti si possono allenare modelli in grado di stimare non solo il consumo, ma anche la produzione energetica, in modo da mappare il bilancio energetico atteso in anticipo e valutare con più precisione quanto costerà comprare l’energia nei prossimi mesi.

Prioritizzazione di investimento

Mettiamo caso di avere in gestione 25 store con chiller simili ma che operano in condizioni molto differenti. Come fa il nostro energy manager a decidere quale chiller deve essere sostituito perché inefficiente e quale invece consuma molto perché opera in condizioni sfavorevoli?

Oppure, in una fabbrica con 10 linee simili, come fa l’energy manager a selezionare le più energivore considerando che ognuna lavora sulle stesse ricette ma in momenti diversi e cambi formato differenti?

E’ possibile sviluppare sistemi di benchmarking utilizzando modelli di deep learning che sappiamo stimare il consumo di una determinata categoria a partire dai dati che ne influenzano il consumo. Ad esempio, temperatura esterna e di setpoint, potenza installata, umidità, domanda di freddo per il chiller, oppure formato, ricette, sato della macchina, ore di funzionamento per le linee.

I modelli imparano a valutare quanto dovrebbe consumare la linea o il chiller a determinate condizioni operative, e diventa un metro di paragone per valutare sistemi differenti normalizzandoli alle stesse condizioni. In questo modo, si può valutare se il chiller sta consumando molto ma è efficiente, oppure se deve essere sostituito.

Supporto ai tecnici in campo in caso di inefficienza

L’energy manager, tra le varie incombenze, deve anche preoccuparsi delle inefficienze sui suoi asset. I sistemi di AI sono in grado di intercettare le inefficienze in modo semplice, e accoppiando i modelli per intercettare le inefficienze con moduli per la spiegazione dell’inefficienza e il copiloting del team in campo il gioco è fatto.

Il primo step è costruire un modello che sappia stimare il comportamento corretto del sistema, al variare delle condizioni operative. In pratica, un sistema che ti suggerisca che, dato che fuori fa caldo, la ricetta è A012D, il formato precedente era D33UR, l’idratazione dell’impasto è del 76%, e il setpoint del forno è 137°C, il forno consumerà 670 kW. Se il forno consuma di più, vuol dire che qualcosa non va.

Il secondo step è associare il modello a strumenti di eXplainabel AI, che siano in grado di suggerire all’energy manager quali parametri hanno suggerito al modello che c’è qualcosa che non va. In questo modo è possibile perimetrare l’inefficienza ad un sottocomponente o a un fenomeno specifico.

Il terzo step è fornire inefficienza e risultati dell’XAI ad un co-pilot basato su AI generativa, che sappia interagire in linguaggio naturale e dare indicazioni chiare al team manutentivo per risolvere il problema. Questo può essere fatto anche interfacciando il sistema di intercettazione inefficienze con l’EAM o il CMMS in uso, ma già che stiamo parlando di AI lasciamoci trasportare dalle infinite potenzialità della tecnologia.

Migliore gestione degli asset energivori e di autoproduzione energetica

I sistemi di AI sono molto interessanti nel caso in cui l’energy manager debba dare indicazioni su come regolare una linea energivora in modo che consumi il meno possibile. E’ meglio abbassare la temperatura con un ciclo più lungo, o alzarla con consumi più alti? E come influenza la tipologia di prodotto o l’umidità? Come regolare i chiller in modo da garantire la domanda al minimo costo energetico? Meglio acquistare dalla rete o autoprodurre con il mio trigeneratore?

Combinando modelli di deep learning con sistemi di ottimizzazione – ad esempio gli algoritmi genetici – è possibile simulare le varie combinazioni di setpoint, accensioni e spegnimenti, in modo da identificare la regolazione ottimale per minimizzare l’energia. Questi sistemi riescono a far risparmiare fino al 20% dell’energia rispetto alla situazione ex-ante.

Il chiavistello dell’energy manager

I modelli di machine learning e di deep learning, e i sistemi di intelligenza artificiale, diventano quindi uno strumento immancabile nella cassetta degli attrezzi dell’energy manager. Che sia per valutare i prezzi dell’energia o per selezionare il prossimo intervento di efficientamento, i sistemi allenati sui dati possono far risparmiare fino al 60% del tempo di un energy manager, abilitando savings energetici interessanti a seconda dell’applicazione selezionata.