Gestione dello spostamento dei picchi di consumo elettrico e fattori influenti sulla smart grid tramite modello di rete neurale ricorrente e deep learning

Perché è importante un uso dell’energia più intelligente nei campus

I campus universitari sono pieni di attività a tutte le ore: lezioni, laboratori, vita nei dormitori, sessioni di studio notturne e il costante ronzio di server e luci. Tutto ciò si traduce in grandi oscillazioni nella domanda di elettricità—picchi netti quando molti dispositivi sono accesi contemporaneamente e profonde cadute quando gli edifici sono poco utilizzati. Questi picchi sono costosi per la rete e dannosi per il pianeta. Questo studio esplora come la combinazione di strumenti di intelligenza artificiale moderni con sistemi di accumulo energetico a base di idrogeno possa aiutare i campus a prevedere quando avranno bisogno di energia, smussare quei picchi e usare l’elettricità in modo più efficiente senza spegnere le luci dell’apprendimento.

Individuare i modelli nella vita quotidiana del campus

Al centro del lavoro c’è l’idea che il consumo elettrico in un campus non sia casuale—segue da vicino le routine umane. I ricercatori hanno raccolto dati dettagliati sui consumi di 15 edifici di un’università cinese per circa un anno e mezzo, insieme a registrazioni meteorologiche e ai piani delle lezioni. Hanno poi usato mappe termiche per mostrare come l’uso di energia salga e scenda ora per ora in luoghi diversi: dormitori, aule, uffici, mense e impianti di illuminazione. Da queste immagini hanno definito sei modelli quotidiani, come dormitori con due grandi picchi a pranzo e a tarda notte, aule che registrano picchi solo durante le ore di lezione e lampioni che restano accesi in modo costante durante la notte. Questi modelli costituiscono la base per tattiche di risparmio energetico su misura per ogni tipo di edificio.

Insegnare a una rete neurale a prevedere la domanda

Per agire su questi modelli, è prima necessario sapere com’è il domani. Il team ha addestrato un tipo di intelligenza artificiale chiamata rete neurale ricorrente (RNN) a prevedere quanta elettricità ogni edificio avrebbe consumato da un’ora all’altra. Le RNN sono progettate per lavorare con sequenze, il che le rende adatte a seguire come la domanda di energia si evolve nel tempo. Il modello ha analizzato 24 ore di storia recente alla volta—consumi passati, temperatura, umidità, ora del giorno, giorno feriale o fine settimana e persino se erano previste lezioni—e ha poi previsto il consumo dell’ora successiva. Gli autori sono stati attenti nella pulizia dei dati: hanno riempito le letture mancanti cercando giorni simili con condizioni meteorologiche e orari analoghi, e hanno suddiviso i dati in modo cronologico in set di training, validazione e test per evitare l’overfitting.

Sorpassare altri metodi di previsione

Le prestazioni della RNN sono state confrontate con diversi strumenti comuni di previsione, inclusa la semplice regressione lineare, regressioni non lineari più flessibili, modelli statistici tradizionali come ARIMA e i modelli Grey, e un altro metodo di deep learning chiamato LSTM. Sui dati del campus e su tre dataset pubblici di consumo elettrico, la RNN ha prodotto sistematicamente errori inferiori. Nei test sul campus reale, l’errore quadratico medio della RNN—una misura che penalizza gli errori grandi—è stato drasticamente più basso rispetto alla regressione lineare, e l’errore percentuale medio è rimasto in una sola cifra. Le distribuzioni degli errori hanno mostrato che gli sbagli della RNN erano strettamente raggruppati e che le curve previste si sovrapponevano quasi a quelle reali, indicando sia accuratezza sia stabilità. Pur osservando che ciò non implica che le RNN battano sempre le LSTM in generale, i risultati dimostrano che una rete relativamente semplice può funzionare molto bene in questo contesto specifico.

Appiattire la curva di carico con l’accumulo a idrogeno

La previsione da sola non riduce la bolletta; serve anche un modo per rimodellare la domanda. Qui lo studio introduce un sistema virtuale di accumulo energetico a idrogeno che si comporta come un gigantesco buffer ricaricabile. Quando il segnale di previsione della RNN indica ore a basso carico, il sistema si “carica” convertendo elettricità in idrogeno; quando si profilano picchi, si “scarica”, restituendo energia immagazzinata al campus. Una routine di programmazione dinamica decide, ora per ora, se l’accumulo deve caricare, scaricare o restare inattivo, rispettando i limiti di capacità, potenza ed efficienza. In un esempio rappresentativo di 24 ore, questa strategia ha ridotto il carico massimo giornaliero da circa 46 kilowattora a circa 33, ha ridotto la differenza tra picco e uso medio e ha eliminato tutti i periodi in cui la domanda superava una soglia prestabilita. Il prezzo è stato un lieve aumento del consumo energetico giornaliero totale—meno dell’un percento—dovuto alle perdite nel ciclo di accumulo.

Cosa significa questo per gli utenti energetici di tutti i giorni

In termini semplici, lo studio mostra che i campus—e per estensione parchi uffici, complessi ospedalieri o quartieri residenziali—possono usare l’IA non solo per prevedere il loro fabbisogno energetico ma anche per influenzarlo. Prevedendo quando e dove sarà necessaria l’elettricità, e abbinando queste previsioni a sistemi di accumulo flessibili come serbatoi di idrogeno o batterie, gli operatori possono ridurre i costosi picchi, sfruttare meglio l’energia a basso carico e ridurre lo stress sulla rete più ampia. Gli autori avvertono che i risultati provengono da un singolo campus e da un’unità di accumulo simulata, e che le implementazioni reali devono considerare prezzi, emissioni di carbonio e comfort. Tuttavia, il quadro proposto offre un progetto praticabile per un uso dell’elettricità più intelligente e più pulito nei luoghi dove le abitudini energetiche di domani si stanno formando oggi.

Citazione: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Parole chiave: smart grid, energia nei campus, previsione dei carichi, accumulo a idrogeno, deep learning