Ricerca sui metodi di ottimizzazione per piani di approvvigionamento multi-energia nei parchi industriali basata su algoritmi genetici

Perché un’energia più intelligente per le fabbriche conta

Con il mondo impegnato a ridurre le emissioni di gas serra, le fabbriche affrontano una sfida difficile: alimentare linee di produzione in crescita impiegando più energia pulita senza perdere il controllo dei costi. Questo articolo esamina un nuovo approccio per pianificare i sistemi energetici dei parchi industriali su decenni, combinando fotovoltaico e generatori efficienti in sito in modo che la capacità cresca gradualmente con la domanda. Il lavoro mostra che una pianificazione accurata con algoritmi moderni può ridurre drasticamente sia le bollette energetiche sia l’impronta di carbonio, senza chiedere alle imprese di rischiare grandi investimenti iniziali.

Da soluzioni standard a piani energetici su misura

Molte fabbriche oggi richiedono sistemi “multi-energia” che mescolino elettricità di rete, gas naturale, energia solare e unità di cogenerazione (CHP) che producono sia elettricità sia calore utile. Gli strumenti di pianificazione esistenti e il software commerciale possono progettare tali sistemi, ma spesso presumono che la domanda energetica della fabbrica sia fissa e che tutta l’attrezzatura venga installata all’inizio. Nelle realtà, la domanda cresce con l’espansione della produzione e raramente ha senso acquistare tutta la capacità futura il primo giorno. Gli autori sostengono che ciò che manca è uno strumento di pianificazione pensato per siti industriali di piccola scala in grado di gestire domanda variabile e costruzione per fasi, pur mantenendo l’analisi pratica per ingegneri e manager.

Lasciare che l’evoluzione cerchi i sistemi energetici migliori

Per colmare questa lacuna i ricercatori hanno costruito un modello di ottimizzazione basato su un “algoritmo genetico”, un metodo di ricerca ispirato all’evoluzione biologica. Invece di tentare di derivare una funzione di costo complicata, l’algoritmo tratta ogni possibile piano energetico a lungo termine come una stringa di scelte: quanti pannelli solari e unità CHP installare nel primo anno, quanto aggiungerne ogni pochi anni e quando sostituire le attrezzature invecchiate. Ogni piano candidato viene simulato su un periodo di 20 anni, tracciando costi di investimento, consumo di combustibile, acquisti dalla rete e manutenzione. L’algoritmo quindi “seleziona” i piani migliori, “mischia” le loro caratteristiche e occasionalmente “mutazioni” alcune scelte, evolvendo gradualmente verso strategie che minimizzano il costo complessivo o accorciano il tempo di rientro.

Progettare come e quando costruire

Il modello scompone ogni tecnologia in alcuni semplici parametri di pianificazione: capacità iniziale, dimensione di ogni successiva espansione, frequenza delle espansioni e, quando pertinente, quali moduli hardware scegliere. Per i pannelli solari, queste scelte devono rispettare i limiti di superficie del tetto, le dimensioni minime pratiche di installazione e l’economia tipica dei progetti, in modo da evitare aggiunte piccole e non economiche. Per le unità CHP, lo strumento assume blocchi modulari da 1.000 kW e impedisce di sovradimensionare ben oltre i fabbisogni di calore ed energia dell’impianto. Poiché le variabili decisionali sono discrete — aggiungere una turbina o un’unità CHP intera alla volta — gli autori dimostrano che gli algoritmi genetici sono più adatti di molti metodi tradizionali che presuppongono aggiustamenti lisci e continui.

Sorpassare il software commerciale e le strategie a installazione fissa

Il team ha prima confrontato il proprio approccio con HOMER, un diffuso strumento commerciale di pianificazione. Per un caso di prova che consentiva solare, eolico e CHP, il loro modello ha trovato una configurazione con una turbina eolica, diverse unità CHP e una moderata capacità solare che ha ridotto il costo totale del progetto di circa il 23% rispetto al progetto di HOMER e ha accorciato il periodo di semplice rientro da nove a cinque anni. Un secondo caso più dettagliato ha esaminato un parco industriale a Hainan, Cina, con grande domanda di elettricità e raffreddamento e spazio per fotovoltaico sui tetti. Lì il piano ottimizzato ha installato il massimo di 1,6 megawatt di pannelli solari e ha iniziato con nove unità CHP, aggiungendo poi capacità CHP ogni due anni man mano che cresceva la domanda. Su 20 anni questa “installazione dinamica” ha ridotto i costi energetici totali del 77% rispetto a uno scenario business-as-usual che acquistava tutto dalla rete elettrica e dal gas.

Perché costruire per fasi conviene

Gli autori hanno anche confrontato il loro approccio graduale con una più semplice strategia a “installazione fissa” che prevede l’installazione di tutte le attrezzature in sito all’inizio. Pur usando la stessa capacità solare massima, il piano fisso proponeva 26 unità CHP in anticipo, più di quanto la fabbrica necessitasse negli anni iniziali. Quell’opzione otteneva un tempo di rientro di quattro anni ma aveva un costo di vita più elevato e lasciava molte unità sotto-utilizzate. Per contro, il piano dinamico richiedeva meno della metà dell’investimento iniziale, raggiungeva il rientro in soli due anni e manteneva le unità CHP a un utilizzo più elevato, sfruttando meglio ogni euro investito. Questo approccio a fasi distribuisce anche i costi di sostituzione e lascia maggiore margine di adattamento se la domanda futura o i prezzi energetici differiscono dalle previsioni attuali.

Cosa significa questo per le fabbriche e gli obiettivi climatici

Per i non specialisti, il messaggio è semplice: le fabbriche non devono scegliere tra risparmiare e diventare più verdi. Pianificando quando e quanto installare di impianti energetici in sito, e usando metodi di ricerca intelligenti per esplorare migliaia di possibili percorsi di sviluppo, i parchi industriali possono ridurre nettamente le bollette energetiche mentre passano a fonti più pulite come il solare e la cogenerazione ad alta efficienza. Lo studio suggerisce che investimenti ponderati e a fasi possono tagliare la spesa iniziale fino al 40%, accelerare il rientro e ridurre il rischio, il tutto supportando gli sforzi globali per abbattere le emissioni.

Citazione: Guo, S., Wei, H., Li, F. et al. Research on optimization methods for multi-energy expansion supply plans in industrial parks based on genetic algorithms. Sci Rep 16, 5200 (2026). https://doi.org/10.1038/s41598-026-36503-4

Parole chiave: pianificazione energetica industriale, energie rinnovabili nelle fabbriche, cogenerazione, ottimizzazione con algoritmo genetico, sistemi multi-energia