Il curtailment delle fonti rinnovabili è spesso considerato una delle principali inefficienze della transizione energetica. Proviamo a valutare il costo reale del fenomeno per il sistema elettrico e analizziamo come tecniche di Intelligenza Artificiale possano contribuire a prevedere congestioni, migliorare il dispacciamento e ridurre la necessità di limitare la produzione rinnovabile.
Indice degli argomenti
Curtailment delle fonti rinnovabili: cause e dinamica di rete
La rapida crescita della generazione da fonti rinnovabili, in particolare fotovoltaico ed eolico, sta trasformando profondamente il funzionamento dei sistemi elettrici. A differenza delle centrali convenzionali, queste fonti sono caratterizzate da una produzione non programmabile e dipendente dalla disponibilità della risorsa naturale. In determinate condizioni, il gestore della rete può perciò essere costretto a richiedere una riduzione della produzione degli impianti rinnovabili. Tale fenomeno è noto come curtailment e consiste nella limitazione volontaria dell’energia che un impianto sarebbe tecnicamente in grado di produrre.
La Duck Curve e il surplus fotovoltaico
Figura 1 – La Duck Curve[2]
Fonte: elaborazioni proprie dell’autrice su dati Terna.
Tale limitazione può rendersi necessarie per varie cause:
- eccesso di generazione rispetto alla domanda;
- congestioni delle reti di trasmissione e distribuzione;
- limiti di sicurezza e stabilità del sistema;
- insufficiente capacità di accumulo energetico;
- indisponibilità temporanea di infrastrutture di rete.
Il fenomeno è strettamente collegato alla cosiddetta duck curve che illustra l’andamento della domanda elettrica residua[3] osservato nei sistemi caratterizzati da elevata penetrazione fotovoltaica: durante le ore centrali della giornata la produzione solare riduce drasticamente il fabbisogno coperto dalle fonti tradizionali mentre, nelle ore serali, con la diminuzione dell’irraggiamento, la domanda residua cresce rapidamente richiedendo una significativa e repentina variazione del mix di generazione. Con l’aumento della quota di rinnovabili installate, e della profondità del minimo diurno della curva che può anche scendere sotto lo zero[4], il curtailment tende quindi a diventare una componente strutturale del sistema elettrico come evidenziato dalla Figura che evidenzia la progressiva riduzione della domanda residua avvenuta negli ultimi quattro anni.
Curtailment delle fonti rinnovabili: impatti su sistema e investitori
Il curtailment rappresenta un indicatore di inefficienza del sistema energetico poiché energia potenzialmente disponibile non viene effettivamente utilizzata. Esso riduce inoltre l’efficacia della transizione energetica, in quanto una parte dell’energia verde prodotta non contribuisce alla sostituzione delle fonti fossili né alla riduzione delle emissioni.
Gli effetti negativi riguardano sia il sistema elettrico, comportando un minore sfruttamento delle infrastrutture di generazione esistenti, l’aumento della complessità operativa del dispacciamento e la necessità di interventi aggiuntivi di gestione della rete, sia gli investitori a causa della riduzione della producibilità effettiva degli impianti, del conseguente aumento dell’incertezza sui ricavi futuri e del peggioramento della bancabilità dei progetti (con possibile incremento del costo del capitale).
Il curtailment rappresenta anche un costo per la collettività nella misura in cui, se l’impianto di produzione è incentivato, la remunerazione prevista viene riconosciuta anche all’energia che viene “tagliata” e non immessa in rete. D’altra parte, i sistemi di incentivazione delle fonti rinnovabili, che pesano sulla bolletta del consumatore finale[5], sono stati introdotti per favorirne lo sviluppo e costituiscono parte integrante del processo di transizione energetica. Le fonti rinnovabili, nonostante presentino costi variabili prossimi allo zero[6], sono infatti caratterizzate da costi di capitale elevati e superiori a quelli che contraddistinguono le fonti fossili. E’ proprio grazie all’utilizzo di sistemi di supporto che, negli ultimi 20 anni, si è resa possibile la diffusione del fotovoltaico e dell’eolico su larga scala, con la progressiva riduzione delle emissioni del settore elettrico.
Il costo del curtailment per sistema elettrico e collettività
Nel 2025 ARERA[7], con Con la Delibera 128/2025/R/efr[8] ha esteso agli impianti alimentati da fonti rinnovabili non programmabili diversi dall’eolico le modalità di valorizzazione economica della mancata produzione dovuta agli ordini di riduzione impartiti da Terna.
Il GSE ha poi pubblicato le regole tecniche MPRIN[9] (Mancata Produzione Rinnovabili Non Programmabili), specificando che, dal 1° aprile 2025, è riconosciuta la remunerazione della mancata produzione conseguente agli ordini di modulazione impartiti dal TSO[10].
Tabella 1 – I costi del curtailment e i destinatari
| Componente di costo | Destinatario |
| Compensazione produttori | Sistema elettrico |
| Maggiori costi di dispacciamento | Sistema elettrico |
| Minore utilizzo degli impianti | Investitori |
| Maggior fabbisogno di rete | Collettività |
| Energia verde non utilizzata | Ambiente |
Fonte: elaborazioni proprie dell’autrice.
Dunque il curtailment è potenzialmente fonte di un costo che viene socializzato.
Compensazioni e prezzo unitario regolatorio
In particolare, la “compensazione” per la mancata produzione viene calcolata dal GSE sulla base dell’energia producibile, ovvero quella che l’impianto avrebbe potuto generare in assenza dell’ordine di riduzione, e di quella effettivamente prodotta: la differenza viene valorizzata al cosiddetto prezzo unitario regolatorio[11]. Quest’ultimo, fissato pari al prezzo di valorizzazione dell’energia elettrica in ciascuna zona di mercato, ovvero al costo marginale di soddisfacimento di un incremento unitario della domanda nella zona medesima, è in pratica è il prezzo zonale di vendita dell’energia sul MGP[12].
Se è vero che, da un lato, il curtailment, si verifica prevalentemente in caso di eccesso di offerta, e, dunque, di prezzi zonali prossimi allo zero, non si può dall’altro escludere a priori che Terna ordini la modulazione a scendere anche per altri motivi quali congestioni di rete, indisponibilità di un elettrodotto, motivi di sicurezza del sistema o problemi di tensione locale, tutte situazioni in cui il prezzo zonale può essere positivo.
E’ inoltre da tenere presente come il taglio generi altri tipi di esborsi, sempre a carico del sistema, tra cui maggiori costi di dispacciamento, un sottoutilizzo degli investimenti e, quindi, del capitale investito, costi infrastrutturali derivanti dalla necessità di nuove linee elettriche, sistemi di accumulo, strumenti avanzati di gestione della domanda.
Per questi motivi una riduzione del fenomeno in questione porterebbe alla generazione di un beneficio sociale.
Ciò non significa tuttavia che il curtailment debba essere eliminato completamente. Dal punto di vista economico, infatti, un certo livello di energia non immessa in rete può risultare efficiente qualora il costo necessario per evitarlo, attraverso nuovi investimenti in reti, sistemi di accumulo o altre risorse di flessibilità, risulti superiore al valore economico e ambientale dell’energia recuperata. La sfida consiste quindi non nell’azzerare il taglio, bensì nel ridurlo fino al livello socialmente ottimale, minimizzando il costo complessivo per il sistema.
Intelligenza artificiale per ridurre il curtailment delle rinnovabili
Sebbene la riduzione del curtailment richieda interventi infrastrutturali, come il potenziamento delle reti di trasmissione, l’installazione di sistemi di accumulo o la realizzazione di nuove interconnessioni, la crescente disponibilità di dati operativi apre spazio a strumenti complementari basati sull’Intelligenza Artificiale il cui contribuito consiste nel consentire una gestione più efficiente delle infrastrutture esistenti.
Tabella 2 – Il ruolo dell’Intelligenza Artificiale nel coordinamento delle risorse di flessibilità del sistema elettrico
| Risorsa coordinata dall’AI | Azione dell’AI | Effetto sul curtailment |
| Produzione da FER | Prevede la generazione e individua gli eccessi | Riduce gli errori di programmazione |
| Batterie e sistemi di accumulo | Decide quando caricare e scaricare | Assorbe l’energia che altrimenti verrebbe tagliata |
| Domanda elettrica (Demand Response) | Attiva i carichi flessibili nei momenti di surplus | Aumenta l’autoconsumo dell’energia rinnovabile |
| Veicoli elettrici | Coordina la ricarica nelle ore di maggiore produzione | Trasforma la mobilità in risorsa di flessibilità |
| Rete elettrica | Prevede congestioni e ottimizza il dispacciamento | Riduce la necessità di ordini di limitazione |
| Tutte le risorse insieme | Ottimizza il funzionamento complessivo del sistema | Minimizza il curtailment e i costi di gestione |
Fonte: elaborazioni proprie dell’autrice.
Previsione delle congestioni e dispacciamento predittivo
E’ ad esempio il caso della previsione delle congestioni di rete: attraverso modelli di machine learning addestrati su dati storici relativi a produzione rinnovabile, domanda elettrica, condizioni meteorologiche e stato della rete, è infatti possibile identificare con maggiore anticipo le situazioni che potrebbero richiedere ordini di limitazione della produzione consentendo al gestore della rete di adottare misure correttive prima che la congestione si manifesti, quali l’attivazione di sistemi di accumulo, programmi di demand response o altre risorse flessibili, riducendo il ricorso alla limitazione della produzione rinnovabile grazie ad un dispacciamento di tipo predittivo.
Flessibilità della rete e domanda elettrica
Fondamentale anche il ruolo di “abilitatrice sistemica” della flessibilità della rete che l’AI può ricoprire gestendo in maniera coordinata e dinamica le fonti di flessibilità del sistema, tra cui batterie, impianti di accumulo, veicoli elettrici e gestione attiva della domanda, rendendo così possibile l’assorbimento di energia che sarebbe diversamente sprecata. In tale prospettiva, l’obiettivo non è eliminare completamente il fenomeno, ma trasformare parte dell’energia in eccesso in una risorsa utilizzabile in momenti successivi.
Dal punto di vista economico, il beneficio dell’AI va oltre il valore dell’energia tagliata che, come già osservato, viene generalmente prodotta nelle ore caratterizzate da prezzi dell’energia particolarmente bassi e, di conseguenza, con una compensazione riconosciuta ai produttori che potrebbe risultare relativamente contenuta, ed è legato al miglioramento del coordinamento delle risorse distribuite, all’ottimizzazione dell’utilizzo delle infrastrutture esistenti e alla posticipazione di investimenti di rete particolarmente onerosi.
Il tema assume un’importanza crescente alla luce della recente pubblicazione del nuovo Electrification Action Plan[13]della Commissione Europea che, fissando un target indicativo del 46% di elettrificazione dei consumi finali entro il 2040, punta a raddoppiare il peso dell’elettricità nel mix energetico complessivo.
La progressiva diffusione dei veicoli elettrici, delle pompe di calore e dell’elettrificazione dei processi industriali è destinata ad aumentare significativamente il fabbisogno di energia elettrica nei prossimi decenni.
In tale contesto, l’efficienza nella gestione del sistema elettrico non rappresenta soltanto un obiettivo di riduzione dei costi, ma una condizione necessaria per sostenere l’aumento della domanda senza compromettere i target climatici.
In tale prospettiva la riduzione del curtailment assume quindi una duplice valenza. Da un lato consente di limitare le inefficienze economiche associate alla gestione delle congestioni e all’utilizzo delle infrastrutture, dall’altro aumenta la quota di energia rinnovabile effettivamente disponibile per soddisfare i nuovi consumi elettrici.
In un simile scenario, l’Intelligenza Artificiale può svolgere un ruolo abilitante, contribuendo a massimizzare l’utilizzo delle risorse già installate prima di ricorrere a ulteriori investimenti in capacità di generazione o di rete.
Curtailment e intelligenza artificiale nella transizione energetica
Il curtailment rappresenta una conseguenza sempre più frequente dell’integrazione massiva delle fonti rinnovabili nel mix di generazione.
Sebbene comporti costi economici e operativi, il suo impatto reale non può essere valutato considerando esclusivamente l’energia non prodotta. È necessario distinguere tra compensazioni economiche, costi di dispacciamento, sottoutilizzo degli investimenti e necessità di sviluppo infrastrutturale. In questo contesto, l’Intelligenza Artificiale emerge come uno strumento promettente per migliorare la gestione della rete e ridurre progressivamente la necessità di limitare la produzione rinnovabile, contribuendo a una transizione energetica più efficiente e sostenibile.
Bibliografia
Jixue Pei, Nian Liu, Jiaqi Shi, Yi Ding, Tackling the duck curve in renewable power system: A multi-task learning model with iTransformer for net-load forecasting, Energy Conversion and Management, Volume 326, 2025, 119442, ISSN 0196-8904, https://doi.org/10.1016/j.enconman.2024.119442.
Micheli, Leonardo; Soria-Moya, Alberto; Talavera, Diego L.; Abbasi, Behnam; Fernández, Eduardo F., Energy and economic implications of photovoltaic curtailment: current status and future scenarios / – In: SUSTAINABLE ENERGY TECHNOLOGIES AND ASSESSMENTS. – ISSN 2213-1388. – 81:(2025), pp. 1-10. [10.1016/j.seta.2025.104414]
Sastry MKS, Pitra G. Duck Curve with Renewable Energies and Storage Technologies. doi:10.1109/CICN51697.2021.13
https://energy.ec.europa.eu/topics/eus-energy-system/electrification_en
https://www.arera.it/atti-e-provvedimenti/dettaglio/25/128-25
https://www.arera.it/fileadmin/allegati/docs/06/111-06alla.pdf
https://www.arera.it/fileadmin/allegati/docs/10/005-10argallanew.pdf
[1] Centre for Research on Geography, Resources, Environment, Energy & Networks.↩
[2] Domanda di elettricità residua dopo aver sottratto l’elettricità fornita da fonti rinnovabili variabili (tipicamente dal solare) nel corso di una giornata.↩
[3] Ovvero al netto della produzione rinnovabile, tipicamente quella solare.↩
[4] In caso di produzione fotovoltaica eccedente la domanda.↩
[5] Rientrando tra gli oneri di sistema e, in particolare, nella componente ASOS.↩
[6] E’ il caso di fotovoltaico ed eolico.↩
[7] Autorità di Regolazione per Energia Reti e Ambiente.↩
[8] https://www.arera.it/atti-e-provvedimenti/dettaglio/25/128-25 ↩
[9]https://www.gse.it/documenti_site/Documenti%20GSE/Servizi%20per%20te/MANCATA%20PRODUZIONE%20EOLICA/Regole%20e%20procedure/Regole%20Tecniche%20MPRIN.pdf ↩
[10] Transmission System Operator.↩
[11] Calcolato secondo quanto disposto dall’art. 7 della Delibera ARG/elt 5/10 che rimanda all’art. 30.4.b della Delibera 111/06.↩
[12] Mercato del Giorno Prima.↩
[13] https://energy.ec.europa.eu/topics/eus-energy-system/electrification_en ↩
Partecipa alla community