Protocollo di instradamento adattivo per Internet of Things elettrico su larga scala basato su edge computing e federated learning

Reti elettriche più intelligenti per la vita di tutti i giorni

Le reti elettriche moderne si stanno trasformando in grandi sistemi digitali popolati da contatori intelligenti, sensori, auto elettriche e pannelli solari sui tetti. Mantenere la comunicazione fluida tra tutti questi dispositivi e usare il meno energia possibile è una sfida enorme. Questo articolo introduce un nuovo modo per decidere come questi dispositivi inviano informazioni attraverso la rete, in modo che i dati circolino più rapidamente, consumino meno energia e al tempo stesso preservino la riservatezza delle informazioni sensibili.

La sfida di troppi dispositivi diversi

Le reti elettriche odierne contengono milioni di apparecchi diversi: contatori domestici intelligenti, sensori di temperatura e tensione lungo le linee, controller nelle sottostazioni e relè di protezione che devono reagire in millisecondi. Ognuno usa tecnologie di comunicazione differenti e ha esigenze proprie di tempi e consumo energetico. Alcuni sono collegati alla rete e possono usare molta energia; altri funzionano con batterie minuscole e devono durare mesi o anni. I metodi di instradamento tradizionali che si limitano a cercare il percorso più breve ignorano queste differenze. Di conseguenza sprecano energia, causano ritardi e iniziano a degradarsi quando la rete cresce oltre poche migliaia di dispositivi.

Intelligenza locale al bordo della rete

Per affrontare questa complessità, gli autori progettano un sistema stratificato che distribuisce l’intelligenza lungo la rete. In basso ci sono i numerosi dispositivi di campo; sopra di essi si trovano piccoli computer chiamati nodi edge, poi nodi regionali “fog” e infine il cloud. I nodi edge restano vicini al punto in cui i dati vengono creati e possono decidere rapidamente come devono viaggiare i messaggi locali, senza aspettare un server centrale distante. Rilevano quali dispositivi sono presenti, apprendono quanto sono occupati o quanto consumano energia e scelgono percorsi che equilibrano velocità, affidabilità e durata della batteria. Questa decisione locale riduce notevolmente il tempo di reazione ai cambiamenti nella rete.

Imparare insieme senza condividere i dati grezzi

Un’idea chiave di questo lavoro è l’uso del federated learning, un metodo che permette a molti nodi edge di addestrare un modello predittivo condiviso senza inviare mai i dati grezzi a un punto centrale. Ogni nodo osserva il traffico locale, la qualità dei collegamenti e i livelli di energia dei dispositivi, poi allena una copia locale di un modello di machine learning che predice il comportamento della rete nel momento successivo. Di tanto in tanto, i nodi inviano solo i parametri del modello — non le misurazioni sottostanti — a nodi di livello superiore, che li mediano e rimandano un modello migliorato. Tecniche aggiuntive per la privacy introducono rumore in questi aggiornamenti in modo che le informazioni su un singolo dispositivo non possano essere ricostruite, aiutando le utilities a rispettare regole severe sulla protezione dei dati.

Instradamento che si adatta in tempo reale

Dotato di queste previsioni, il sistema di instradamento può agire prima che si manifestino i problemi. Se il modello prevede che un collegamento possa presto sovraccaricarsi, il protocollo sposta il traffico su percorsi alternativi. Se la batteria di un dispositivo è in esaurimento, a quel dispositivo vengono assegnati compiti più leggeri o viene messo in una modalità di sleep più profonda mentre altri nodi ne prendono il posto. Le scelte di instradamento sono guidate da più obiettivi contemporaneamente: mantenere bassi i ritardi per i messaggi critici in termini di tempo, preservare la durata delle batterie dove necessario ed evitare link inaffidabili. Dietro le quinte, un algoritmo di apprendimento sofisticato continua ad aggiustare l’importanza di questi obiettivi in base a quanto bene la rete sta funzionando, permettendo al sistema di migliorare gradualmente.

Vantaggi comprovati in velocità e risparmio energetico

I ricercatori testano il loro approccio usando simulazioni al computer dettagliate di reti elettriche contenenti fino a 10.000 dispositivi, canali wireless realistici e requisiti temporali stringenti. Rispetto a metodi di instradamento noti e persino a una potente soluzione centralizzata di machine learning, il loro progetto adattivo e federato offre un throughput di dati superiore del 35–50%, riduce i ritardi end‑to‑end del 40–60% e diminuisce il consumo energetico totale del 45–65%. I sensori alimentati a batteria durano da due fino a quasi quattro volte di più, e il sistema rimane stabile anche quando i dispositivi guastano o i collegamenti di comunicazione vengono interrotti. È importante notare che questi benefici si mantengono all’aumentare della rete, mentre i metodi tradizionali peggiorano rapidamente oltre circa 1.000 dispositivi.

Cosa significa per i sistemi energetici del futuro

In termini pratici, questo lavoro mostra come una rete elettrica piena di dispositivi intelligenti possa restare veloce, affidabile ed efficiente senza rinunciare alla privacy. Permettendo ai piccoli computer edge locali di imparare dall’esperienza e di condividere solo ciò che hanno appreso — non i dati grezzi — si crea un sistema di comunicazione che scala fino a distribuzioni cittadine o nazionali. Ciò rende più facile integrare pannelli solari sui tetti, veicoli elettrici e altre nuove tecnologie, riducendo al contempo gli sprechi energetici e prolungando la vita degli apparati di campo.

Citazione: Zhang, Y., Zhang, S., Li, S. et al. Adaptive routing protocol for large-scale power internet of things based on edge computing and federated learning. Sci Rep 16, 12246 (2026). https://doi.org/10.1038/s41598-026-41074-5

Parole chiave: smart grid, internet of things, edge computing, federated learning, instradamento a risparmio energetico