Cos’è la ISO 50001:2018

La norma internazionale 50001:2018 (aggiornata appunto nel 2018 nella nuova versione) contiene le linee guida per costruire un sistema di gestione dell’energia in grado di garantire un saving energetico in termini di tonnellate equivalenti di petrolio anno su anno.

Leggendo l’introduzione alla norma:

La finalità del presente documento è quella di consentire alle organizzazioni di stabilire i sistemi e i processi necessari per migliorare continuamente la prestazione energetica,che comprende l’efficienza energetica, l’uso e il consumo energetico. Il presentedocumento specifica i requisiti del sistema di gestione dell’energia (SGE) per
un’organizzazione. […]
Il presente documento fornisce i requisiti per un processo sistematico, basato sui dati e sui fatti, focalizzato sul miglioramento continuo della prestazione energetica. La prestazione energetica è un elemento chiave integrato nei concetti introdotti nel presente documento per garantire risultati efficaci e misurabili nel tempo. […]
Indicatori di prestazione energetica (EnPI) e consumi di riferimento (EnB) sono due
elementi correlati trattati nel presente documento per consentire alle organizzazioni di dimostrare il miglioramento della prestazione energetica.

Il focus quindi è la prestazione energetica, calcolata tramite energy performance indicators (EnPI) e energy baselines (EnB) in un processo sistematico che coinvolge tutti gli attori che possono avere un ruolo nel garantire l’efficienza energetica.

Chi sono questi ruoli?

• Energy team: quelli che gestiscono l’energia e decidono come indirizzare gli investimenti in efficienza
• Team di manutenzione: quelli che aggiustano e controllano gli asset
• Amministratori o amministratrici: quelli che devono confermare gli investimenti
• Operatori e operatrici: quelli che mettono le mani nel processo e lo regolano
• HR team: quelli che indirizzano i percorsi di formaizone e comunicazione interna

Quattro modelli di AI per la ISO50001, 40% del tempo dell’energy team in meno.

Visto che lo strumento principale indicato dalla ISO50001 per garantire un SGE efficace è il dato, l’AI è una tecnologia che si sposa bene con le procedure di analisi.

Prima di vedere come l’AI è utile, ricordiamo una cosa: l’unico aspetto che garantisce la certificazione, nonché l’unico di interesse per l’azienda, è che il SGE faccia ottenere un saving energetico anno su anno, o comunque nei 3 anni di valutazione.

Usare procedure di analisi automatica a supporto dell’energy team riesce a far risparmiare il 40% del tempo globale per il mantenimento della certificazione, e il 70% circa del solo tempo di analisi.

Esploriamo quindi le attività principali della ISO50001 durante un anno tipo, e come modelli diversi possono supportare fasi differenti.

Selezione degli interventi di efficientamento e budget energetico

Per garantire meno consumi, il primo step è identificare e dimensionare i possibili interventi di efficientamento energetico.

Vogliamo installare gli inverter? O mettere i led? O magari serve rifare l’isolamento?

Nel caso di singoli siti con impianti tutti i diversi non è difficile identificare gli spunti. La difficoltà si pone quando si hanno tante linee simili, o tanti siti sparsi per il territorio. Come orientarsi rispetto alla scelta di chi efficientare prima?

Prioritizzare gli interventi su asset o siti simili

Sappiamo bene che non è sufficiente basare la scelta sul consumo assoluto, perché un chiller a Palermo consuma di più di un chiller a Bolzano, e una linea che ha funzionato il 70% delle ore ha consumato di più di una che ha lavorato solo per il 40% del tempo.

Per fare valutazioni di senso, è buona cosa spostarsi dal consumo netto in kWh/anno alla prestazione energetica.

Si prendono quindi tutti i dati di consumo sul periodo di analisi (un anno, un mese, una settimana…) e i parametri che influenzano il consumo tra un asset o sito e l’altro (volume, superficie, ore di funzionamento, setpoint, temperatura esterna…).

Modello di benchmarking energetico

Poi, si costruisce un modello in grado di prevedere quale dovrebbe essere il consumo di ogni sito, correlato con i parametri, se tutti i siti funzionassero a pari prestazione. Un qualsiasi modello di regressione è capace di farlo in autonomia una volta che ha i dati.

Con il modello pronto, si può stimare il consumo di riferimento di ogni sito o asset (che finisce sulle ordinate), e il rapporto tra consumo reale e di riferimento (che finisce sulle ascisse e sarà un numero intorno all’1).

Sul grafico che si crea è facile identificare la lista dei siti o degli asset che rispetto agli altri consumano tanto perché magari sono grandi o sempre accesi, e in più sono pure inefficienti.

Lista della spesa per l’efficienza energetica

Listati i siti più energivori, è possibile partire da quelli per identificare cause di inefficienza. Di solito sono cause costruttive: il sistema di illuminazione che non è completamente a LED, o i chiller sforniti di inverter, o la linea che ha un numero di microfermate elevato rispetto alle altre.

Grazie a questo tipo di modello di benchmarking applicato all’energia, è possibile inoltre fare una primissima stima del saving globale ottenibile. Come? Ad esempio, ipotizzando di riportare al consumo medio tutti i siti inefficienti.

Monitoraggio operativo dei risparmi ottenuti

Bene, ho installato gli inverter sui chiller! Però quest’estate è molto più calda dell’anno scorso, e abbiamo dovuto abbassare i setpoint per colpa di quella ricetta che ha tolleranze di processo improponibili. Come faccio se a fine anno vien fuori che anche con gli inverter ho consumato più kWh?

Il cruccio è comprensibile. Non temere, mio accaldato amico, l’AI viene in nostro aiuto!

Come con il benchmarking, anche in questo caso dobbiamo concentrarci sulle prestazioni, quindi su quanto ho consumato rispetto alle condizioni di funzionamento.

Modelli di monitoraggio per simulare la situazione ex-ante

Sia chiaro, non mi sto inventando nulla, anche il GSE lo segnala come opzione parlando della rendicontazione dei risparmi per i certificati bianchi (si citano nella guida e nei chiarimenti del 2019). Quello che viene consigliato di fare è allenare il modello sulla situazione ex-ante, che per i non addetti ai lavori è il periodo prima dell’intervento di efficientamento.

Il modello quindi imparerà a rappresentare il comportamento energetico del sistema al variare delle condizioni esterne e di processo. Se fa più caldo o devo abbassare il setpoint, il modello saprà calcolare quanto avrebbe consumato il chiller in quelle condizioni.

Dimensionare il saving ex-post con strumenti dai nomi esotici

Adesso, se prendiamo il modello e gli forniamo le condizioni nuove, lui prevedrà quale sarebbe stato il consumo del chiller senza intervento di efficientamento.

Calcolando i residui, si trova per ogni osservazione (ora, giorno, mese…) quanti kWh ho risparmiato.

Come si passa da lì al saving complessivo? La risposta semplice è si sommano i residui nel tempo. Se ho residui inferiori a zero per molti giorni consecutivi, la somma inferiore allo zero rappresenterà il saving globale per quei giorni. Il gioco funziona perché i consumi sono cumulabili nel tempo.

La risposta nerd è si utilizza la CUSUM. La CUSUM, che sembra una parolaccia, è la CUMulative SUM of residuals, ovvero la somma dei residui nel tempo. Quello di prima insomma.

A noi ingegneri ci piace complicare le cose.

Gestione delle inefficienze e conferma della risoluzione

Una cosa simpatica della ISO50001 è che ha formalizzato l’ingerenza importante della manutenzione sull’efficienza delle macchine: macchine affidabili sono macchine efficienti.

Noi che siamo studiati abbiamo imparato che il consumo può essere utilizzato come driver per identificare malfunzionamenti, perché quando un impianto si rompe di solito è meno efficiente.

La norma si spinge un po’ più in là, e indica come obbligatorio il monitoraggio delle inefficienze e l’integrazione delle attività manutentive nella loro gestione.

Il processo che indica è il seguente:

1. L’energy team monitora il consumo rispetto ad una baseline di riferimento
2. Quando intercetta uno scostamento sospetto, apre una segnalazione per il team di manutenzione
3. Il team interviene e segnala la risoluzione (si spera!)
4. L’energy team verifica che l’inefficienza sia rientrata

Baseline data-driven

La baseline di riferimento è un modello allenato per rappresentare il buon funzionamento di impianto. Integrato in un sistema intelligente, è in grado di generare allarme e ticket in autonomia, in modo che l’energy team non debba perdere tempo a fare analisi periodiche di efficienza per ogni linea.

Se non si è fatto l’errore di lasciare il modello libero di apprendere continuamente dai nuovi dati, il modello saprà intercetare un extra consumo, che poi si vedrà rientrare in caso di manutenzione andata a buon fine.

Semplice, veloce, efficiente, -60% del tempo del team speso in analisi.

Dimensionamento del saving ottenuto di anno in anno

Siamo arrivati dunque a fine anno, ora il momento della verità: selezionati i siti, fatti gli interventi, gestite le inefficienze, sarò riuscita a garantire il saving?

Ormai ci è noto che serve valutare la prestazione energetica e non sono il consumo assoluto anno su anno per vedere se ho risparmiato e sono più efficiente.

Perciò, rispolveriamo il modello di benchmarking dell’anno scorso su cui avevamo fatto le valutazioni per gli interventi da intraprendere.

Prendiamo ora i dati di quest’anno e, utilizzando gli stessi parametri, creiamo un secondo modello.

I due modelli sono consistenti, perché hanno gli stessi input e prevedono la stessa cosa sullo stesso pool si siti o asset.

Quindi, posso utilizzarli per creare delle simulazioni e vedere se a parità di condizioni ho consumato meglio o peggio. Ad esempio, utilizzo i dati per l’anno in corso, applicati al modello dell’anno precedente e dell’anno attuale, per confrontare i due risultati: se il modello dell’anno attuale restituisce un valore più basso di quello dell’anno passato, la differenza può rappresentare il saving legato all’efficientamento.

Oppure, posso utilizzare i modelli per capire se alcune famiglie di asset o siti sono nel frattempo peggiorate. Per esempio, nell’ultimo anno i magazzini con superficie ridotta sono mediamente diventati meno efficienti.

In sintesi

I modelli di AI per la gestione energetica supportano moltissime procedure del SGE compliant alla ISO 50001:2018.

Ad esempio, sono utili per identificare linee o siti su cui è più convieniente investire in interventi di efficientamento, o per dimensionare il saving post intervento o anno su anno. Inoltre, sono un ottimo strumento per intercettare e gestire le inefficienze.