Intervista

Luciano Lucchi Energy Manager CARTIERE DEL GARDA

Caso reale di ottimizzazione di processi industriali con l’uso dell’Intelligenza Artificiale e Big Data per la realizzazione di modelli matematici in grado di adattarsi al cambiamento delle condizioni al contorno

Come a tutti ben noto, quando all’interno di un sito industriale vi è presenza di un consumo congiunto sia di energia elettrica che di energia termica, il modo più efficiente (dal punto di vista economico e ambientale) per far fronte a queste esigenze è co-generare le due tipologie di energia il più vicino possibile al sito di consumo.

Un esempio abbastanza tipico è il sito di Cartiere del Garda – Gruppo Lecta, cartiera situata a Riva del Garda (TN).

Dal 2008 la Cartiere del Garda è dotata di un impianto di cogenerazione alimentato a gas naturale, in grado di generare più di 40 MWh l’ora di elettricità e, allo stesso tempo, di raccogliere il calore prodotto dalla combustione del gas e di trasformarlo in energia termica. La dimensione del cogeneratore è più che sufficiente a coprire il fabbisogno termico della cartiera e del teleriscaldamento del comune di Riva del Garda generando nel contempo un surplus di energia elettrica ceduta alla rete nazionale.

I tasks da affrontare al fine di governare col massimo profitto il cogeneratore sono:

Prevedere la quantità di energia elettrica che sarà ceduta alla rete nazionale, ora per ora avendo la visibilità dei profili di produzione della cartiera per i prossimi 2 giorni. Tale previsione dovrà essere trasmessa al dispacciatore esterno, nel caso comune che l’utente non sia un soggetto obbligato. Terna da parte sua aggrega queste previsioni per bilanciare la rete. Gli errori in questa previsione portano a sanzioni monetarie dipendenti dalle condizioni della rete, determinabili solo ex post e solo dal soggetto che governa la rete di trasmissione nazionale nel suo insieme, quindi senza alcuna visibilità da parte del singolo operatore di rete.
Monitoraggio continuo del buono stato e dell’efficienza dei componenti del cogeneratore e, in talune condizioni, scegliere il regime di funzionamento migliore a cui esercire il cogeneratore, in funzione dei prezzi giornalieri del gas, dei prezzi orari di export/import di energia elettrica, della massima produzione di titoli di efficienza energetica rilasciati dal Gestore dei Servizi Energetici GSE quando l’energia è ottenuta dalla cogenerazione (Certificati Bianchi CAR), il fabbisogno energetico della cartiera e del riscaldamento cittadino.

Previsione export energia elettrica

L’obiettivo del processo di automazione implementato, basato su una piattaforma di analisi energetica intelligente, ha i seguenti obiettivi:

Automatizzare la raccolta e l’archiviazione dei dati storici di processo al fine di costruire una pipeline affidabile ed efficiente di raccolta automatizzata di tutti i dati rilevanti per questo scopo (addestramento del modello e calcoli delle previsioni)
Una cogenerazione è un sistema altamente complesso, con l’interazione di molti componenti; è quindi necessario configurare diverse analisi predittive, ciascuna con i propri input, i propri output e le proprie caratteristiche peculiari.

RACCOLTA DATI

I dati raccolti ogni 15 minuti da tutti i misuratori dell’impianto di cogenerazione vengono acquisiti in maniera automatica giornalmente dal sistema mediante mini pc collegato al server locale e ad una infrastruttura cloud dove confluiscono anche i dati trasmessi via e-mail.

I dati necessari per addestrare i modelli analitici che saranno il nucleo dell’MVP (Minimum Viable Product) sono:

MISURE STORICHE DELL’ENERGIA: Energia elettrica e vapore prodotti dal cogeneratore, quantità di energia consumata dalla cartiera e dal teleriscaldamento, scambio di energia elettrica con la rete nazionale ogni 15 minuti. Ciò si ottiene leggendo i contatori già posti sui relativi componenti del cogeneratore (turbina a gas, turbina a vapore, collettori di calore, caldaie ausiliarie, ..) e sulle linee che collegano l’impianto alla cartiera, alla rete nazionale e al teleriscaldamento.
PRODUZIONE PIANIFICATA DELLA CARTA: Il programma di produzione carta inviato dall’ufficio pianificazione della cartiera; la tipologia e la grammatura della carta prodotta impatta considerevolmente sui consumi di elettricità e vapore.
TEMPERATURA E UMIDITÀ STORICHE E PREVISTE: Le condizioni ambientali hanno un impatto sull’efficienza della turbina a gas, sulla richiesta di energia dalla cartiera e dal teleriscaldamento. Tali dati, effettivi e previsionali, sono raccolti utilizzando OpenWeather (https://openweathermap.org/), un servizio che fornisce misurazioni ambientali di un numero enorme di stazioni meteorologiche distribuite in tutto il mondo.

SVILUPPO DEL MODELLO DI CALCOLO

Come detto, il processo da modellare è molto complesso e quindi necessita di essere scomposto in vari sotto modelli al fine di prevedere l’efficienza dei componenti del cogeneratore, prevedere il consumo di elettricità e vapore della cartiera in base alle condizioni atmosferiche e il piano di produzione carta, combinare le uscite dei diversi modelli per arrivare alla previsione della quantità di energia elettrica che verrà esportata sulla rete elettrica nazionale.

Lo strumento di calcolo utilizzato consente di configurare nuove analitiche predittive in modo molto generale.

Le variabili degli input, le variabili degli output e gli attributi di ogni nuova analitica possono essere memorizzati nel database dell’infrastruttura, il software di calcolo interno interroga periodicamente la tabella delle variabili, addestra i nuovi modelli che sono stati inseriti ed esegue i modelli già addestrati producendo le relative previsioni. La fase di addestramento avviene confrontando automaticamente le prestazioni di un gran numero di modelli di machine learning, la cui logica di base proviene da librerie consolidate (Keras, Scikit-Learn, Prophet, ..).

Dall’analisi dei dati, si sono identificate le seguenti relazioni:

la quantità di elettricità prodotta dalla turbina a gas (tipicamente esercita a piena potenza) dipende dai parametri ambientali;
la quantità di energia elettrica consumata dalla cartiera dipende dal tipo, dal peso specifico e dal peso totale della carta prodotta, ed eventualmente da parametri ambientali;
la quantità di energia elettrica prodotta dalla turbina a vapore dipende dalla richiesta di vapore della cartiera, dalla richiesta di acqua calda dal teleriscaldamento, dalla quantità di vapore prodotta dalla post combustione del generatore di vapore a recupero;
la quantità di vapore consumata dalla cartiera dipende dal tipo, dal peso specifico e dal peso totale della carta prodotta, nonché dai parametri ambientali;
la quantità di acqua calda consumata dal teleriscaldamento dipende dai parametri ambientali oltre che dall’ora del giorno e dal giorno della settimana.

Data la complessità del sistema di cogenerazione e l’interdipendenza tra i vari componenti, la sfida è stata affrontata utilizzando due approcci: BlackBox e ModelBase.

Approccio BlackBox

In questo approccio il problema viene trattato come una funzione complessa e sconosciuta mappando direttamente gli input (piano di produzione della cartiera e fattori ambientali) con la quantità di energia elettrica esportata. Questo approccio è relativamente semplice da implementare (viene creata un’unica analitica che specifica gli input e gli output) ma è difficile interpretare come viene generata la previsione (Black Box).

Approccio ModelBased

In questo approccio si modella esplicitamente ciascuna delle relazioni sopra elencate e le si combinano infine in un unico modello.

Questo approccio è più difficile da seguire rispetto a quello BlackBox poiché è necessario creare una analitica per ogni componente del sistema ma è più facilmente interpretabile. Scomponendo il task in piccoli sottoproblemi, si è in grado di rilevare (e quindi correggere) i singoli sottomodelli che hanno prestazioni scarse in modo da ridurre l’errore complessivo del modello finale.

Seguendo questo approccio si sono create le seguenti analisi:

quantità di energia elettrica prodotta dalla turbina a gas date le condizioni ambientali;
quantità di energia elettrica consumata dalla cartiera dati i piani di produzione e le condizioni ambientali;
quantità di vapore consumato dalla cartiera dati i piani di produzione e le condizioni ambientali;
quantità di vapore consumata dal teleriscaldamento date le condizioni ambientali, ora del giorno e giorno della settimana;
quantità di vapore recuperata dal calore prodotto dalla turbina a gas date le condizioni ambientali;
quantità di elettricità prodotta dalla turbina a vapore dato l’output delle analisi (3), (4) e (5)
quantità di elettricità esportata dato il risultato delle analisi (1), (2) e (6)

Ogni nuova analisi esegue la fase di addestramento selezionando automaticamente il modello di apprendimento automatico più performante attraverso una procedura di convalida incrociata. Il modello selezionato viene infine addestrato utilizzando tutti i dati di addestramento e viene distribuito per essere eseguito periodicamente per generare previsioni.

Al fine di mantenere un periodo di convalida pulito, si è separato nettamente il set di dati utilizzato per la formazione dei modelli per ciascuna analisi (dati fino al 31 dicembre 2019) dai dati che da quel momento in poi non sono stati utilizzati per la formazione di alcun modello analitico.

Monitoraggio efficienza della turbina a gas e gestione del carico ottimale del cogeneratore.

Il modulo utilizzato per modellare il funzionamento sopra descritto è in grado di calcolare le prestazioni orarie delle varie apparecchiature (cogeneratori, turbine, caldaie, compressori, ..) tipicamente installate in fabbriche energivore.

E’ stato quindi configurato il modulo per il calcolo orario della resa elettrica (ovvero il rapporto tra elettricità prodotta e gas naturale consumato) della turbina a gas. Questa è la apparecchiatura più rilevante all’interno dell’impianto di cogenerazione ed è quella maggiormente influenzata dalle condizioni climatiche esterne, dalla sua pulizia interna e dallo stato manutentivo. Ciò consente al cliente di avere una rapida panoramica sulle ultime prestazioni dell’attrezzatura in modo da poter decidere se la turbina deve essere sottoposta a una manutenzione accurata, lavaggio off-line, top&bottom case, ecc.

Il modello di calcolo utilizza i costi orari di esercizio dell’impianto di cogenerazione e suggerisce il carico ottimale al quale impostare il cogeneratore nelle 24h successive. Questo risultato si ottiene tenendo conto di tutte le variabili che lo influenzano: il prezzo al quale l’energia elettrica può essere acquistata / venduta dal cliente, il prezzo del gas naturale, la domanda di energia (sia elettrica che termica) che deve essere soddisfatta. Il modulo si basa sui prezzi orari calcolati, sulla previsione della domanda eseguita dagli analytics (vedi l’approccio ModelBased sopra descritto), sulle curve di performance della turbina a gas in diversi scenari configurati. Il punto ottimale si trova simulando ogni possibile utilizzo del cogeneratore (e delle caldaie ausiliarie per garantire il soddisfacimento delle richieste di energia termica) selezionando poi quello che costituisce il costo minimo.

Nessuna di queste previsione agisce direttamente sulla configurazione dell’impianto di cogenerazione: spetta al Servizio Energia che opera sull’impianto valutare i suggerimenti forniti ed eventualmente implementarli.

Modalità di accesso all’MVP

I risultati delle analisi sopra descritte vengono fornite al Servizio Energia della centrale Alto Garda Power a servizio di Cartiere del Garda in due modi: una web-app interattiva basata su Grafana, un’interfaccia web open source accessibile in qualsiasi momento contenente i dati e le previsioni più recenti e un report automatico, inviato periodicamente via email, contenente un PDF con alcuni KPI rilevanti relativi al passato utilizzo del cogeneratore e un file Excel con la previsione dell’export orario di energia elettrica dei giorni successivi.