L’esigenza di sistemi efficienti di energy management system è diventata cruciale nel contesto attuale, caratterizzato da crescenti costi energetici e dalla necessità di ridurre l’impatto ambientale. In questo scenario, il progetto Ei-TWIN si propone di sviluppare una piattaforma innovativa basata sulla tecnologia del Digital Twin applicata al settore energetico.

Questo articolo esplorerà le potenzialità di tale sistema come soluzione di intelligenza artificiale per l’energy management, prendendo come esempio il progetto Ei-TWIN e le sue applicazioni pratiche in due contesti distinti: un impianto industriale di una PMI farmaceutica e una comunità energetica.

Perché un energy management system è fondamentale

La crisi energetica globale, con l’aumento dei prezzi del gas e dell’elettricità, rende evidente la necessità di una gestione più efficiente delle risorse energetiche. L’Italia, come molti altri paesi europei, è fortemente dipendente dalle importazioni di gas, il che rende il tema dell’efficienza energetica una priorità nazionale.

In questo contesto, il progetto di energy management system Ei-TWIN si pone l’obiettivo di sviluppare una piattaforma per l’applicazione di un Digital Twin nel settore dell’energia. 

Un Digital Twin è una rappresentazione virtuale di un oggetto o di un sistema, collegata ad esso durante tutto il suo ciclo di vita. Questa tecnologia permette di monitorare le prestazioni, prevedere i consumi e ottimizzare l’uso dell’energia, contribuendo così a ridurre gli sprechi e migliorare l’efficienza complessiva.

Il progetto ei-twin: un approccio innovativo all’energy management system

Il progetto Ei-TWIN si articola in 12 Obiettivi Realizzativi (OR) ripartiti tra ricerca industriale e sviluppo sperimentale, con l’obiettivo di creare una piattaforma software per l’applicazione di un Energy Digital Twin in due scenari d’uso:

1. Un impianto industriale di una PMI farmaceutica: Questo caso d’uso si concentra sull’ottimizzazione dell’efficienza energetica in un contesto produttivo, analizzando i consumi e i processi per identificare aree di miglioramento;
2. Una comunità energetica: In questo scenario, l’obiettivo è gestire in modo ottimale i flussi di energia tra gli edifici, massimizzando l’autoconsumo e riducendo gli scambi con la rete elettrica.

Il progetto mira a superare i limiti degli approcci tradizionali, integrando il trattamento di Big Data e tecniche di AI per fornire funzionalità avanzate come l’ottimizzazione di processo e la manutenzione predittiva.

I componenti chiave della piattaforma ei-twin

La piattaforma Ei-TWIN è composta da diversi layer, ognuno con una funzione specifica:

• Layer di campo: Questo layer è responsabile della raccolta dei dati dai sensori IoT e dai sistemi di gestione degli edifici (Building Management System), utilizzando protocolli come Modbus e BACNet;
• Layer di ingestion: Questo layer acquisisce i dati dal layer di campo e li invia al Data Lake, effettuando una prima elaborazione per la validazione del formato;
• Data Lake: Il Data Lake è il cuore della piattaforma, dove i dati grezzi vengono archiviati e strutturati in base alle necessità di analisi. Si tratta di un’architettura “schema-on-read”, che permette di interrogare i dati in modo flessibile. I dati vengono acquisiti in tempo reale, grazie all’utilizzo di Apache Kafka, e archiviati in Elasticsearch;
• Layer di analisi: Questo layer utilizza tecniche di AI e Machine Learning per analizzare i dati e fornire previsioni, ottimizzare i processi e individuare anomalie;
• Layer di presentazione: Questo layer fornisce dashboard e reportistica per visualizzare i risultati delle analisi e monitorare lo stato del sistema.

Il data model del progetto ei-twin

Il progetto Ei-TWIN prevede l’utilizzo di un data model flessibile e completo che comprende dati provenienti da diverse fonti, interne ed esterne:

• Sorgenti interne: Dati provenienti dai macchinari (stati di accensione/spegnimento, tempo di utilizzo), dati energetici (energia attiva, reattiva, potenza attiva, tensione, corrente) e dati di produzione (fasi di produzione, quantità prodotte);
• Sorgenti esterne: Dati meteorologici (temperatura, umidità, irraggiamento solare) che influenzano i consumi energetici.

Il data model è strutturato in due formati principali:

1. Modello JSON: Utilizzato per i dati assimilabili a serie temporali, con una struttura gerarchica che include timestamp, telemetrie, diagnostiche e metadati;
2. Modello Relazionale: Utilizzato per informazioni strutturate come i lotti di produzione e le fasi del processo, organizzato in tabelle con relazioni.

Le tecnologie e gli strumenti utilizzati

Il progetto Ei-TWIN fa ampio uso delle tecnologie e dell’architettura della piattaforma PlugAIn per l’elaborazione dei Big Data. Infatti il Data Lake si basa su una versione ridotta della piattaforma PlugAIn come mostrato nell’immagine seguente.

Tra le tecnologie utilizzate, si segnalano:

• Kubernetes: utilizzato per creare il private cloud che ospita il Data Lake di Ei-TWIN;
• Apache Kafka: utilizzato per lo scambio di messaggi tra le varie componenti e per l’ingestione dei dati;
• Elasticsearch: utilizzato per la memorizzazione dei dati provenienti dai sensori;
• Spring Boot: utilizzato per la realizzazione dei connettori verso le sorgenti dati.

Casi d’uso: applicazioni pratiche del digital twin

Il progetto di energy management system Ei-TWIN prevede l’implementazione della piattaforma in due casi d’uso specifici, che permettono di testare e validare le funzionalità sviluppate:

1. Impianto industriale: In questo scenario, l’obiettivo è ottimizzare l’efficienza energetica di un’azienda farmaceutica, analizzando i consumi delle macchine e dei processi produttivi. Si prevede di utilizzare il Digital Twin per identificare le fasi più energivore, prevedere i consumi e ottimizzare l’uso dell’energia;
2. Comunità energetica: In questo caso d’uso, la piattaforma sarà utilizzata per gestire i flussi di energia tra gli edifici di una comunità energetica, massimizzando l’autoconsumo e riducendo gli scambi con la rete elettrica. Il Digital Twin permetterà di monitorare i consumi, prevedere la produzione di energia da fonti rinnovabili e ottimizzare la distribuzione tra gli utenti.

Vantaggi e benefici del progetto ei-twin

Il progetto di energy management system Ei-TWIN mira a fornire diversi vantaggi e benefici:

• Efficienza energetica: Riduzione dei consumi e degli sprechi di energia, grazie all’ottimizzazione dei processi e all’uso di modelli predittivi;
• Sostenibilità: Riduzione dell’impatto ambientale, grazie alla diminuzione delle emissioni di gas serra;
• Ottimizzazione dei costi: Riduzione dei costi energetici, grazie all’uso più efficiente delle risorse;
• Manutenzione predittiva: Previsione di guasti e malfunzionamenti, per una manutenzione più efficace e tempestiva;
• Flessibilità: Adattamento della gestione dell’energia alle diverse condizioni operative e alle esigenze specifiche degli utenti;
• Interoperabilità: Integrazione con diverse sorgenti informative e sistemi di gestione.

Conclusione

Nell’ambito delle soluzioni di energy management system il progetto Ei-TWIN rappresenta un esempio concreto di come la tecnologia del Digital Twin e l’Intelligenza Artificiale possano essere applicate per migliorare l’efficienza energetica e promuovere la sostenibilità. 

La piattaforma sviluppata nel progetto offre una soluzione innovativa e flessibile per la gestione dell’energia in diversi contesti, contribuendo a ridurre i consumi, ottimizzare i costi e migliorare la competitività delle imprese. 

L’adozione di un energy management system come quello proposto da Ei-TWIN è fondamentale per affrontare le sfide del presente e costruire un futuro più sostenibile.

Autori: Massimiliano Ruffolo e Simone Vizza