Previsione del carico basata su ottimizzazione e gestione della domanda nei microgrid di edifici intelligenti con Greylag Goose e modelli grafici a due livelli

Perché gli edifici più intelligenti hanno bisogno di cervelli energetici più intelligenti

Con l'aggiunta di pannelli solari, batterie e veicoli elettrici in case, uffici e campus, la gestione dell'energia diventa sorprendentemente complessa. Gli edifici devono decidere continuamente quando prelevare energia dalla rete, quando caricare o scaricare le batterie e come evitare sprechi e blackout. Questo articolo presenta un nuovo “cervello energetico” per i microgrid di edifici intelligenti che prevede l'uso di elettricità con elevata accuratezza e pianifica l'uso delle batterie in modo così accurato da poter più che raddoppiarne la durata.

Mantenere le luci accese in un mini-rete complessa

Un microgrid di un edificio intelligente è come un piccolo sistema elettrico intorno a un singolo sito. Può includere solare sul tetto, piccole turbine eoliche, batterie, veicoli elettrici e una connessione alla rete principale. Il gestore energetico dell'edificio deve bilanciare offerta e domanda ogni pochi minuti, anche mentre la luce solare cambia, le persone entrano e escono e le batterie invecchiano. Se le previsioni sbagliano, l'edificio può acquistare energia di picco costosa, sprecare energia rinnovabile o consumare le batterie più rapidamente del previsto. Gli autori si concentrano su due obiettivi chiave: prevedere la domanda energetica a breve termine in questi edifici e usare tale conoscenza per gestire le batterie in modo da ridurre sia i costi sia l'usura.

Pulire i dati prima di fare previsioni

Il sistema parte da un anno di misurazioni dettagliate provenienti da un vero microgrid di un edificio intelligente in India. Ogni cinque minuti, i sensori registravano correnti e tensioni di rete, produzione solare, comportamento della batteria e condizioni meteorologiche come temperatura, umidità e velocità del vento. I dati del mondo reale sono disordinati: i sensori guastano, le letture saltano e le grandezze misurate hanno scale diverse. Per correggere ciò, gli autori applicano un passaggio di pulizia specializzato chiamato Fast Resampled Iterative Filtering, che smussa il rumore mantenendo però le variazioni reali nella domanda. Poi usano un metodo di ricerca ispirato alla natura, Prairie Dog Optimization, per decidere quali letture dei sensori contano realmente per la previsione. Il metodo seleziona cinque input principali — come la tensione solare, la potenza di scarica della batteria e l'ora del giorno — rimuovendo segnali ridondanti che aggiungono complessità ma poca informazione nuova.

Insegnare a una rete a leggere la rete energetica

Invece di trattare ogni misurazione come una serie temporale isolata, gli autori modellano le loro interazioni come una rete. Nella loro Relational Bi-Level Aggregation Graph Convolutional Network, ogni nodo del grafo rappresenta una delle caratteristiche chiave (per esempio, temperatura o potenza di scarica della batteria) e i collegamenti rappresentano quanto fortemente si influenzano a vicenda nel tempo. Il modello prima impara schemi locali, come il modo in cui tensione solare e potenza della batteria si muovono insieme in una finestra temporale breve, e poi costruisce schemi globali che catturano i cicli giornalieri e relazioni più ampie. Combinando questi livelli, il sistema vede non solo quando la domanda cambia, ma come quel cambiamento è legato al sole, alla temperatura e all'uso della batteria, migliorando la sua capacità di prevedere i carichi imminenti.

Prendere in prestito un modello di volo dalle oche

Per mettere a punto questo modello grafico, gli autori usano un altro metodo bio-ispirato, Greylag Goose Optimization. In natura, le oche in formazione a V aggiustano continuamente la loro posizione per risparmiare energia e mantenere la rotta. In questo algoritmo, ogni “oca” rappresenta un possibile insieme di impostazioni del modello, come il learning rate e i pesi interni. Durante l'addestramento, queste oche virtuali esplorano e raffinano le loro posizioni, cercando combinazioni che producano l'errore di previsione più basso senza restare intrappolate in soluzioni locali scadenti. Questa messa a punto adattiva aiuta il modello a rimanere stabile anche quando i carichi dell'edificio sono altamente irregolari, come improvvisi picchi dovuti alla ricarica di veicoli elettrici o cali durante le ore di assenza di persone.

Previsioni più precise e batterie che durano più a lungo

Testato rispetto a diversi metodi popolari di deep learning e ibridi, il nuovo framework raggiunge circa il 98,3% di accuratezza media nelle previsioni, rispetto a circa l'80–92% delle migliori alternative. Le sue misure di errore sono meno della metà rispetto ai modelli concorrenti e le sue previsioni sono più coerenti da esecuzione a esecuzione. Quando le previsioni risultanti vengono usate per la programmazione sensibile allo stato della batteria, l'edificio può mantenere la domanda entro un intervallo efficiente ed evitare cicli di carica–scarica profondi e stressanti. Le simulazioni suggeriscono che questo controllo più accurato può più che raddoppiare il tempo in cui una batteria rimane sopra l'80% della sua capacità originale, trasformando previsioni migliori in risparmi reali sull'hardware.

Cosa significa per gli utenti energetici di tutti i giorni

Per il pubblico non tecnico, il messaggio chiave è che una migliore “pianificazione digitale” all'interno di un edificio può tradursi direttamente in bollette più basse, meno disturbi alla rete e batterie e apparecchiature che durano più a lungo. Pulendo i dati dei sensori, concentrandosi sui segnali più informativi, modellando come interagiscono e ottimizzando il modello in modo intelligente, l'approccio proposto offre ai microgrid degli edifici una visione molto più chiara del prossimo futuro. Quella chiarezza, a sua volta, consente scelte più intelligenti su quando immagazzinare, usare o vendere elettricità, avvicinandoci a edifici affidabili e a bassa emissione di carbonio che gestiscono silenziosamente la propria energia dietro le quinte.

Citazione: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Parole chiave: microgrid di edifici intelligenti, previsione del carico, degrado della batteria, gestione dell'energia, reti neurali su grafi