Intelligenze artificiali a supporto delle strategie energetiche locali: analisi previsionale nella Regione Umbria

Domenico Palladino - ENEA

Iole Nardi, ENEA, Dipartimento DUEE

Indice

Sommario
Metodologia
PDF Scaricabile
Parole chiave
Conclusioni

Sommario

L'obiettivo di ridurre le emissioni di CO2 richiede strategie energetiche a medio-lungo termine sempre più mirate e affidabili. In questo contesto, ci si pone la domanda: "le Intelligenze Artificiali (A.I.) possono essere uno strumento di supporto alle strategie energetiche?". La risposta è discussa nel presente lavoro finalizzato ad evidenziare le potenzialità delle A.I. nella valutazione di strategie a medio-lungo termine applicate in un contesto ristretto come quello della Regione Umbria.

Introduzione

Il cambiamento climatico rappresenta la più grande sfida che la società moderna dovrà affrontare negli anni a venire. L'aumento delle emissioni di CO2 con conseguente incremento della temperatura media globale, porta con sé importanti conseguenze come la desertificazione, l'incremento dell'acidità degli oceani e fenomeni atmosferici sempre più estremi che sono destinati ad aggravarsi in assenza di interventi di mitigazione. La riduzione delle emissioni è quindi uno degli aspetti chiave per contrastare questi cambiamenti e richiede strategie che promuovano azioni come la mobilità sostenibile e l'economia circolare. Il report sulla situazione energetica italiana [1], evidenzia come l'edilizia sia uno dei settori più energivori (con circa il 40% della domanda energetica totale) con un incremento dei consumi dello 0.6% nel 2019, risultando un settore sul quale è indispensabile intervenire per perseguire gli obiettivi preposti. Negli ultimi anni sono state adottate numerose strategie di efficientamento del parco edilizio, finalizzate a raggiungere una riduzione energetica di 25.5 Mtep entro il 2020, obiettivo conseguito solo parzialmente dal momento che tra il 2014 e il 2019 è stato raggiunto un risparmio di 17.6 Mtep [1]. La stima del risparmio energetico è un altro aspetto cruciale di queste analisi e deve basarsi su modelli di sicura affidabilità. In Letteratura ne sono stati studiati diversi con queste finalità [3-6], quali ad esempio i modelli di regressione, le reti fuzzy e le Intelligenze Artificiali (A.I.); quest'ultime sono ampiamente utilizzate per svariati scopi [2] risultando uno strumento di assoluto interesse per valutazioni del sistema edificioimpianto [7-13]. In alcuni degli studi. le A.I. sono state impiegate per determinare il consumo elettrico del settore edilizio [7, 8] o per simulare il fabbisogno di energia primaria in conformità con le normative vigenti [9, 10]. In altri, sono state adottate per studiare l'efficacia di specifiche strategie a medio-lungo termine in termini di riduzione di CO2 [11], di risparmio conseguito [12] e di consumo energetico conseguente all'adozione di alcune strategie [13]. In questo contesto nasce il presente lavoro, finalizzato a valutare le potenzialità delle A.I. in analisi energetiche previsionali con l'obiettivo di verificarne l'efficacia come strumenti di supporto al processo decisionale delle strategie energetiche messe in campo. Lo studio si basa su una prima applicazione in un contesto ristretto, come quello della Regione Umbria, per il quale si è studiato l'effetto di specifiche strategie di efficientamento energetico sull'intero parco edilizio regionale.

Implementazione dell'Intelligenza Artificiale
L'Intelligenza Artificiale (A.I.) da sviluppare deve essere capace di simulare, in accordo con la UNI TS 11300 [15], l'energia primaria globale di un generico edificio partendo dalle caratteristiche termofisiche e impiantistiche che lo definiscono. A tale scopo, sono state condotte delle simulazioni energetiche sfruttando gli archetipi definiti in [14]. L'analisi energetica ha visto variare i seguenti parametri:
1. Caratterizzazione edilizia degli edifici (edifici unifamiliari, in linea e a torre [14]);
2. Caratterizzazione geometrica (si veda la Tabella 1);
3. Proprietà termiche dell'involucro edilizio (si veda [14]);
4. Proprietà termiche degli infissi (valori di trasmittanza (UW) compresi tra 1.30 e 3.0 W/m2 K);
5. Contesto climatico (sono state scelte 25 città italiane rappresentative in termini di Gradi Giorno (da 568 a 4264 GG) e numero di edifici costruiti);
6. Condizioni al contorno (si veda la Tabella 1);
7. Tipologia impiantistica (boiler elettrico, generatori standard e a condensazione, pompa di calore e macchina frigorifera);
8. Integrazione con fonti energetiche rinnovabili (solare termico e fotovoltaico).

Per l'implementazione della A.I. sono stati scelti come parametri di input le condizioni climatiche esterne (radiazione solare e temperatura esterna), la caratterizzazione geometrica e termofisica dell'edificio (superficie netta, volume lordo, superficie disperdente e trasmittanza termica) e alcune informazioni degli impianti (tipologia, potenza e rendimento alle condizioni nominali). Il target è stato invece l'indicatore di energia primaria globale determinato in conformità con [15]. Adottando l'architettura e metodologia di implementazione discussa in [9], è stata sviluppata una A.I. con l'algoritmo di Back Error Propagation. La A.I. più affidabile è stata ottenuta con 13 neuroni caratterizzata da un valore di Regressione di 0.998 e un errore medio normalizzato di ±0.02 a cui è corrisposto un MSE di 4.195·10^-5. In virtù dei parametri ottenuti, di cui si riporta in Fig. 2 l'errore medio normalizzato, l'algoritmo può considerarsi affidabile per gli obiettivi del lavoro.

Domanda energetica corrente del parco edilizio umbro
Uno degli aspetti più rilevanti da valutare per un corretto studio previsionale è la domanda energetica corrente del parco edilizio della Regione Umbria. A tale riguardo, si è deciso di fare riferimento ad un consumo calcolato nel rispetto della norma vigente [15] considerando le dimensioni geometriche e la caratterizzazione termo-fisica del parco edilizio regionale [14]. In particolare, dall'analisi del censimento ISTAT [17], è emerso che l'83.7% degli edifici sono di categoria E.1 costruiti prevalentemente prima del 1990 (più del 90% del campione). Questi presentano una superficie utile compresa tra 60 e 150 m2 e da impianti di tipo autonomo alimentati dal gas naturale (66% del campione). Gli stessi archetipi precedentemente definiti sono stati usati per definire la domanda energetica corrente del parco edilizio umbro (EPglo), caratterizzandoli con le proprietà termo-fisiche riscontrate. Gli stessi dati sono stati forniti anche alla A.I. per determinare l'equivalente domanda energetica (EPglo-AI) al fine di verificarne l'accuratezza. In Fig. 3 è mostrato il confronto tra EPglo e EPglo-AI nei principali comuni della Regione (in termini di densità di popolazione e di edifici costruiti) per tre periodi di costruzione (ante 1980, 1981-2000 e post 2001) da cui si riscontra una discrepanza media di appena ±8.5 kWh/m2 . A partire dai risultati ottenuti, è stato quindi desunto un consumo totale dell'intero parco edilizio pari a 869110 toe, corrispondente ad un consumo medio per unità abitativa di 206 kWh/m2 , assunto come valore di partenza della domanda energetica.

Risultati
Nota domanda di energia primaria corrente del parco edilizio, sono state effettuate le analisi previsionali con la A.I. adottando le strategie di efficientamento energetico (SEE), definite in accordo con [1]:
- SEE1: sostituzione degli infissi (Uw pari a 1.30 W/m2 K);
- SEE2: sostituzione del generatore con uno a condensazione;
- SEE3: sostituzione del generatore con una pompa di calore idronica;
- SEE4: realizzazione dell'isolamento a cappotto (nel rispetto dei limiti di legge) e simultanea sostituzione degli infissi (Uw pari a 1.30 W/ m2 K).
- SEE5: realizzazione dell'isolamento a cappotto (nel rispetto dei limiti di legge), sostituzione degli infissi (Uw pari a 1.30 W/m2 K) e sostituzione del generatore di calore con uno a condensazione;
- SEE6: realizzazione dell'isolamento a cappotto (nel rispetto dei limiti di legge), sostituzione degli infissi (Uw pari a 1.30 W/m2 K) e sostituzione del generatore di calore con una pompa di calore idronica.

Metodologia

Lo sviluppo di una Intelligenza Artificiale (A.I.) da applicare in analisi energetiche previsionali ha richiesto il processo metodologico riportato in Fig. 1, e ha previsto i seguenti punti chiave:
1. Analisi del parco edilizio: il punto di partenza del lavoro ha riguardato l'analisi dello stato dell'arte del patrimonio edilizio della Regione Umbria, basato su un lavoro del 2019 [14] in cui sono stati definiti numerosi archetipi di edifici con diverse caratterizzazioni termo-fisiche;
2. Stima della domanda energetica corrente: basandosi sugli archetipi e in conformità con la normativa vigente [15], si è calcolata l'energia primaria globale (EPglo) dell'intero parco edilizio umbro;
3.Individuazione delle strategie di efficientamento energetico: basandosi su report ufficiali [1, 16], sono state scelte le strategie di efficientamento energetico (SEE) maggiormente diffuse sul territorio;
4. Sviluppo dell'Intelligenza Artificiale: questo rappresenta il fulcro del lavoro, in quanto ha riguardato lo sviluppo della A.I. sulla base delle simulazioni energetiche condotte sfruttando gli archetipi del lavoro [14]. La qualità della A.I. è stata verificata con il valore di Regressione, l'errore medio normalizzato e l'errore quadratico medio;
5.Validazione dell'Intelligenza Artificiale: a valle dello step 4, la A.I. è stata usata per calcolare la domanda energetica corrente del parco edilizio umbro, valore che è stato confrontato con quello determinato allo step 2, con lo scopo di verificarne la precisione;
6. Prima previsione energetica: la prima analisi previsionale ha permesso di calcolare per ciascuna SEE un risparmio di energia primaria potenzialmente conseguibile negli anni;
7. Ottimizzazione delle SEE: con l'ausilio della A.I. sono state definite delle nuove strategie di riqualificazione con lo scopo di incrementare il risparmio conseguibile;
8. Seconda previsione energetica: per le nuove strategie è stata ricondotta l'analisi previsionale determinando un nuovo risparmio energetico;
9.Confronto analisi previsionali: le previsioni di cui agli step 6 e 8 sono state quindi analizzate e confrontate permettendo di evidenziare i vantaggi della A.I

Intelligenze artificiali a supporto delle strategie energetiche locali: analisi previsionale nella Regione Umbria

Conclusioni

Il presente lavoro è volto a studiare le potenzialità delle Intelligenze Artificiali (A.I.) come strumenti di supporto alle strategie energetiche. L'analisi si è focalizzata sull'applicazione di una A.I. in un contesto locale, e nello specifico al parco edilizio della Regione Umbria, per la quale si è valutato il risparmio energetico conseguibile attraverso l'adozione di specifiche strategie di efficientamento energetico. A seguito della stima della domanda energetica corrente del parco edilizio umbro, è stata sviluppata una A.I. capace di simulare i consumi energetici dello stesso patrimonio in un intervallo temporale di 25 anni applicando sei strategie di efficientamento energetico. Inoltre, a partire dai primi risultati della A.I., le stesse strategie di efficientamento energetico sono state migliorate per conseguire un maggiore risparmio definendo, quindi, due nuove strategie di riqualificazione degli edifici. I risultati hanno confermato le potenzialità delle A.I.; infatti, non solo risultano un valido strumento di analisi previsionale ma, se correttamente utilizzate, permettono di incrementare il risparmio conseguibile da ogni singola strategia adottata. Complessivamente, le due nuove strategie messe a punto con l'ausilio della A.I. incrementerebbero i risparmi conseguibili (rispettivamente del 9% e del 23%), comportando una riduzione della domanda energetica dell'intero patrimonio edilizio umbro dell'11-13%. Nel lavoro proposto si è preso in esame il solo aspetto energetico, ed è quindi da considerarsi come uno studio preliminare. Sono attualmente in corso ulteriori approfondimenti che inglobano l'aspetto economico nell'analisi previsionale e che permettano di estendere la A.I. ad altri contesti come quello nazionale.