L'apprendimento automatico per accelerare l'ottimizzazione del sistema energetico e la decarbonizzazione

Grazie a questa ricerca, è possibile ottenere una visione più completa delle potenziali strategie di decarbonizzazione

L'integrazione di algoritmi di apprendimento automatico nella modellazione dei sistemi energetici, come esplorato in questo studio pubblicato sulla rivista Energy, rappresenta un progresso significativo nell'affrontare le sfide computazionali associate all'analisi della decarbonizzazione. Gli obiettivi principali dello studio sono stati l'identificazione del miglior algoritmo di apprendimento automatico, la determinazione della dimensione ideale dell'insieme di addestramento e la ricerca di un equilibrio ottimale tra accuratezza e risparmio di tempo computazionale, applicando poi il metodo sviluppato allo studio di decarbonizzazione del sistema energetico italiano ed esplorando l'incertezza in diversi scenari di costo del gas naturale.

I ricercatori hanno ideato un modello di ottimizzazione ibrido che unisce EPLANopt, che collega EnergyPLAN con un algoritmo evolutivo multi-obiettivo, e modelli surrogati basati sull'apprendimento automatico. È stata valutata una serie di algoritmi di apprendimento automatico, tra cui la regressione lineare, il regressore ad albero decisionale, il regressore a foresta casuale e le reti neurali con varie configurazioni, per identificare quello più efficace per la previsione degli output di EnergyPLAN.

Sono stati condotti test approfonditi per determinare il numero ottimale di generazioni iniziali necessarie per un addestramento efficace del modello surrogato, nonché il numero ideale di generazioni finali necessarie per affinare le soluzioni attraverso EnergyPLAN.

Accoppiando EnergyPLAN ed EPLANopt con un modello surrogato - in questo caso, una rete neurale artificiale (RNA) - la ricerca riduce efficacemente l'onere computazionale tipicamente incontrato nei compiti di ottimizzazione multi-obiettivo. Questa metodologia è stata applicata a un caso studio che coinvolge il sistema energetico italiano, consentendo ai ricercatori di studiare diversi scenari relativi ai costi del gas naturale e ai loro effetti sulle configurazioni ottimali del sistema energetico. I risultati del modello ibrido sono stati poi confrontati con le tradizionali esecuzioni di EPLANopt per verificare l'accuratezza e l'efficienza di questo nuovo approccio.

“L'innovazione chiave di questo lavoro è l'applicazione della modellazione surrogata all'ottimizzazione del sistema energetico su scala nazionale, mantenendo un'alta risoluzione temporale e un accoppiamento settoriale completo. Questo approccio ha ridotto significativamente il tempo di calcolo del 64-74% rispetto ai metodi tradizionali, consentendo un'esplorazione più estesa delle incertezze nella modellazione del sistema energetico”, afferma Matteo Giacomo Prina, primo autore dello studio. “A differenza di studi precedenti che si concentravano su problemi specifici di microgrid o erano limitati al settore energetico, la nostra metodologia sfrutta le capacità di EnergyPLAN per coprire tutti i settori del sistema energetico attraverso un approccio integrato di accoppiamento settoriale”, continua Prina.

Le implicazioni di questa ricerca vanno oltre il semplice risparmio computazionale. Consentendo valutazioni più estese e un'esplorazione più approfondita dell'incertezza, i responsabili politici e i ricercatori possono ottenere una visione più completa delle potenziali strategie di decarbonizzazione. Questa combinazione di velocità di calcolo e alta precisione apre la strada a un processo decisionale più agile e informato nella transizione verso sistemi energetici sostenibili.

Leggi l'articolo scientifico (in lingua inglese)