Per molti anni le reti di teleriscaldamento sono state progettate secondo un modello centralizzato, nel quale pochi grandi impianti di produzione generavano l’energia termica necessaria a soddisfare il fabbisogno degli utenti connessi alla rete. Oggi, tuttavia, la transizione energetica e la crescente diffusione delle fonti rinnovabili stanno favorendo l’emergere di configurazioni più flessibili e distribuite soprattutto grazie all’innovazione tecnologica e all’introduzione dell’Intelligenza Artificiale.
In questo nuovo scenario, alcuni utenti non si limitano più a consumare energia termica, ma possono anche produrla e condividerla con la rete. Si tratta dei cosiddetti prosumer termici, soggetti che sono in grado non solo di soddisfare parte dei propri fabbisogni energetici tramite impianti locali, come il solare termico o il recupero del calore di scarto, ma anche, quando disponibile, di immettere il surplus energetico nella rete di distribuzione.
Indice degli argomenti
Reti di teleriscaldamento smart e prosumer termici
L’integrazione di questi nuovi attori richiede infrastrutture capaci di gestire scambi energetici bidirezionali. A tale scopo sono state sviluppate specifiche sottostazioni bidirezionali che consentono sia il prelievo di calore dalla rete sia la cessione dell’energia prodotta localmente. Questa evoluzione aumenta significativamente la flessibilità e l’efficienza complessiva del sistema, favorendo una maggiore penetrazione delle fonti rinnovabili e delle risorse energetiche distribuite. La presenza di flussi energetici in entrambe le direzioni introduce però nuove sfide nella gestione e nel controllo delle reti di teleriscaldamento.
Per affrontare queste problematiche, grazie al supporto dei programmi della Ricerca di Sistema Elettrico, un gruppo di ricercatori del Dipartimento Unità Efficienza Energetica di ENEA ha progettato, realizzato e validato – sia con simulazioni numeriche sia sperimentalmente – un prototipo avanzato di sottostazione bidirezionale, concepito per favorire l’integrazione dei prosumer termici nelle future reti energetiche, insieme a un codice basato sull’Intelligenza Artificiale con l’obiettivo di prevedere con sei ore di anticipo la potenza termica che potrà essere immessa nella rete. Tale capacità previsionale, infatti, può essere molto utile per una gestione più “smart” dei flussi di energia e quindi per migliorare l’efficienza energetica di tutto il sistema. Si tratta di un ambito emergente e di crescente interesse nel panorama della ricerca. Se negli ultimi anni, l’attività di ricerca si è prevalentemente focalizzata sulla previsione della domanda termica, attraverso lo sviluppo di modelli numerici finalizzati alla stima dei carichi futuri delle reti di teleriscaldamento, al contrario, risulta ancora poco esplorata la tematica della previsione della produzione di calore in surplus da parte dei prosumer.
Modellazione numerica di una rete di teleriscaldamento con prosumer termici
Lo studio ENEA è stato avviato a partire dall’analisi di un modello numerico di una rete di teleriscaldamento localizzata nel Nord Italia, destinata al servizio di un insieme di edifici residenziali. Il sistema opera a temperature tipiche delle reti di terza generazione e include edifici dotati di collettori solari termici, inizialmente impiegati esclusivamente per la copertura dei fabbisogni locali di acqua calda sanitaria.
Nell’ambito delle attività di ricerca, ENEA ha sviluppato un intervento di retrofit finalizzato alla trasformazione di uno degli edifici in un prosumer termico. In questa configurazione, l’edificio non si limita più al solo consumo di energia termica, ma è anche in grado di immettere in rete l’eventuale surplus prodotto localmente dai collettori solari, attraverso uno scambiatore dedicato.
Per l’analisi del comportamento dinamico del sistema è stato realizzato un modello numerico dinamico della sottostazione implementato in ambiente Modelica/Dymola, un software che consente di simulare il funzionamento dell’impianto su base annuale. Il modello riproduce in dettaglio i profili di domanda termica per il riscaldamento e per l’acqua calda sanitaria, la produzione di calore da solare termico, la gestione dell’accumulo, le logiche di controllo e l’interazione bidirezionale con la rete di teleriscaldamento. L’utilizzo dei dati climatici orari forniti dal database europeo ECMWF ERA5 ha consentito di effettuare simulazioni continue su un periodo di 13 anni consecutivi con passo temporale orario. Questo approccio ha permesso la generazione di un dataset ampio, coerente e rappresentativo, particolarmente adatto allo sviluppo e all’addestramento di modelli di intelligenza artificiale robusti per applicazioni energetiche.
L’integrazione con la rete neurale
Sulla base del dataset generato attraverso le simulazioni è stato implementato un modello predittivo fondato su una rete neurale ricorrente di tipo Long Short-Term Memory (LSTM), una delle architetture più utilizzate per l’analisi e la previsione di serie temporali. La rete neurale è costituita da un singolo livello LSTM composto da 32 unità neurali e progettato per eseguire previsioni multi-step, stimando l’andamento della potenza termica immessa nella rete nelle sei ore successive a partire dalle informazioni disponibili nelle 24 ore precedenti.
Per descrivere il comportamento del sistema, il modello utilizza un insieme eterogeneo di variabili di ingresso. Tra queste figurano parametri operativi, quali la potenza termica erogata nelle ore antecedenti e lo stato di funzionamento dell’impianto di riscaldamento, oltre a variabili meteorologiche come la temperatura dell’aria esterna e la radiazione solare incidente. Sono inoltre considerate informazioni temporali relative all’ora del giorno e alla stagionalità annuale, rappresentate mediante codifiche cicliche che consentono alla rete di cogliere la periodicità e la stagionalità dei fenomeni.
L’addestramento della rete è stato effettuato utilizzando dieci anni di dati simulati, mentre i tre anni rimanenti sono stati riservati alla fase di validazione. Le prestazioni del modello sono state valutate mediante indicatori comunemente impiegati nell’ambito delle previsioni energetiche, verificando sia la capacità di apprendere le relazioni presenti nei dati sia la robustezza delle previsioni in condizioni climatiche differenti rispetto a quelle utilizzate durante l’addestramento.
Prestazioni del modello e confronto con approcci tradizionali
Le analisi condotte mostrano che il modello basato su rete neurale LSTM è in grado di stimare con buona affidabilità la potenza termica che verrà immessa nella rete nelle sei ore successive. Le previsioni risultano particolarmente accurate durante la primavera e l’estate, periodi nei quali la disponibilità di energia solare è maggiore e il contributo dei prosumer termici assume un ruolo più significativo nell’equilibrio energetico del sistema.
Nei mesi invernali si osservano scostamenti relativamente più marcati tra valori previsti e valori effettivi. Questo comportamento è dovuto principalmente alle ridotte potenze immesse in rete durante tale periodo: in queste condizioni, anche piccoli errori assoluti contenuti possono tradursi in differenze percentuali apparentemente rilevanti. Nonostante ciò, il livello di accuratezza raggiunto rimane adeguato ad applicazioni operative e per il supporto alle strategie di gestione della rete.
Per valutare l’efficacia dell’approccio proposto, i risultati sono stati confrontati con quelli ottenuti mediante un modello di persistenza, comunemente utilizzato come riferimento nelle applicazioni previsionali. Tale metodo assume che il comportamento futuro del sistema replichi quello osservato nelle ore immediatamente precedenti, senza considerare l’influenza delle variabili operative e ambientali.
Il confronto evidenzia un netto miglioramento delle prestazioni ottenute con la rete neurale. Le previsioni generate dal modello LSTM mostrano infatti una minore dispersione e una maggiore aderenza ai valori reali, riuscendo a descrivere con maggiore precisione l’evoluzione temporale del sistema. Questo risultato conferma la capacità delle tecniche di intelligenza artificiale di identificare relazioni complesse nei dati storici e di sfruttarle per anticipare con maggiore accuratezza il comportamento futuro della rete.
Intelligenza Artificiale e decarbonizzazione del teleriscaldamento
Nel medio periodo, l’integrazione di modelli predittivi di questo tipo all’interno dei sistemi di controllo delle reti potrebbe avvicinare il settore termico ai paradigmi già adottati nelle smart grid elettriche, favorendo una maggiore partecipazione attiva degli utenti e una valorizzazione più efficace delle risorse energetiche locali. In tale contesto, l’intelligenza artificiale si configura come una tecnologia abilitante fondamentale per supportare la trasformazione e la decarbonizzazione dei sistemi di teleriscaldamento.
Partecipa alla community