Il WP2 si è concentrato sullo sviluppo di sistemi avanzati di monitoraggio e gestione per le reti energetiche del futuro. L'attività ha integrato modelli di intelligenza artificiale e tecniche di simulazione in tempo reale per creare strumenti capaci di ottimizzare la flessibilità e l'affidabilità di sistemi energetici complessi e decarbonizzati.
--------------------------------------------------------------------------------
Traguardi e Risultati Finali
Le attività del WP2 hanno portato allo sviluppo di soluzioni software d'avanguardia applicate a scenari energetici realistici:
1. Il Gemello Digitale (Digital Twin) dell'Energy Hub (Task 2.1)
È stato completato lo sviluppo di un Digital Twin per reti energetiche multi-vettore basate su hub energetici distribuiti e microreti ibride.
Applicazione Pratica: Il prototipo è stato applicato con successo a una turbina eolica, permettendo il monitoraggio in tempo reale, il controllo d'esercizio, il rilievo di sotto-performance e la manutenzione predittiva.
Benefici per il Sistema: L'impiego dell'Energy Hub così modellato consente di differire gli investimenti per il potenziamento delle reti, migliorare l'affidabilità (grazie a percorsi energetici ridondanti) e ridurre le perdite di trasporto locale.
Supporto alla Rete: Il gemello digitale facilita l'erogazione di servizi di rete, come la regolazione della tensione e il demand side management.
2. Intelligenza Artificiale per la Flessibilità Energetica (Task 2.2)
Il team ha realizzato una piattaforma di coordinamento intelligente per aggregare risorse energetiche distribuite e offrire servizi di flessibilità alla rete.
Integrazione V2G (Vehicle-to-Grid): È stato sviluppato un modello matematico basato su IA per il coordinamento autonomo di flotte di veicoli elettrici, massimizzando l'uso di energia rinnovabile locale e riducendo i picchi di carico sulla rete.
Gestione Carichi Flessibili: La piattaforma modella carichi "shiftabili" (spostabili nel tempo) ed "elastici" (regolabili in potenza), ottimizzando l'interazione tra consumatori, sistemi di accumulo (ESS) e rete elettrica.
Approccio Decentralizzato: I modelli di aggregazione basati su Machine Learning agiscono in tempo reale senza la necessità di un centro di elaborazione dati centralizzato, aumentando la resilienza del sistema.
--------------------------------------------------------------------------------
Metodologie Scientifiche
Le ricerche si sono avvalse delle strutture d'eccellenza dell'Università del Sannio, in particolare del laboratorio per la simulazione hardware-in-the-loop facente parte della rete nazionale ENET-RTLab. Gli algoritmi sono stati sviluppati in ambiente Matlab® e Python®, utilizzando paradigmi di machine learning e tecniche di ottimizzazione multiobiettivo per ridurre gli oneri computazionali dei modelli virtuali.
--------------------------------------------------------------------------------
Deliverables
I risultati della ricerca sono documentati nei seguenti report ufficiali (scaricabili dal link):
D2.1: Relazione sullo sviluppo del gemello digitale per reti multi-vettore e hub energetici.
D2.2: Relazione sui moduli software basati su IA per la flessibilità delle reti user-centriche.