L’intelligenza artificiale (AI) ha attirato una crescente attenzione da parte della comunità scientifica e tecnologica, grazie ai recenti progressi nello spazio dell’“intelligenza artificiale generativa” come ChatGPT. Si prevede che le dimensioni del mercato globale dell’intelligenza artificiale cresceranno ogni anno a un CAGR del 39,4% fino al 2028.1 Poiché l’intelligenza artificiale è ora più che mai in grado di fornire soluzioni a problemi complessi, diversi settori stanno già beneficiando di questa tecnologia avanzata.

 

Cos’è l’intelligenza artificiale e come funziona?

Come molti lettori sanno, l’intelligenza artificiale è una tecnologia che consente ai computer di apprendere da dati, esperienze e situazioni, migliorando continuamente le prestazioni senza essere programmati esplicitamente. L’intelligenza artificiale utilizza algoritmi complessi e modelli matematici per elaborare grandi quantità di dati e identificare modelli, tendenze e relazioni per prendere decisioni o previsioni.

In termini semplici, l’intelligenza artificiale è in grado di “imparare” da un vasto insieme di dati e successivamente utilizzare tale apprendimento per risolvere problemi e prendere decisioni in modo autonomo. La tecnologia ha rivoluzionato numerosi settori, dall’automotive alla sanità, all’analisi finanziaria e alla logistica.

Uno dei settori che sta esplorando l’AI con grande interesse è quello dell’energia elettrica, sia per la mobilità che per lo stoccaggio dell’energia. Il sistema energetico sta diventando sempre più complesso e distribuito, con molte diverse fonti di energia, e la sua gestione richiede efficienza e affidabilità sempre maggiori. È qui che entra in gioco l’intelligenza artificiale per prevedere la domanda e l’offerta di energia elettrica e ottimizzare l’uso delle risorse disponibili.

In particolare, l’intelligenza artificiale può essere utilizzata in un sistema di accumulo dell’energia della batteria (BESS) per ottimizzare l’uso dell’energia immagazzinata, nonché nella progettazione e produzione dei suoi componenti. Ciò diventa ancora più cruciale poiché le aziende e i paesi stabiliscono obiettivi di sostenibilità nei prossimi anni.

 

Quali sono le sfide e le opportunità per il futuro?

In questo articolo esploreremo nel dettaglio alcuni possibili casi d’uso in cui l’intelligenza artificiale può migliorare l’efficienza e l’affidabilità delle soluzioni energetiche, prevedere la domanda per garantire una fornitura costante, ottimizzare l’uso dell’energia immagazzinata e migliorare la gestione della manutenzione e la diagnosi dei problemi. Ecco alcuni esempi principali che abbiamo visto:

Ottimizzazione della mobilità elettrica: un caso di studio interessante in cui l’intelligenza artificiale può svolgere un ruolo fondamentale è nella mobilità elettrica. Secondo Statista, si prevede che la domanda di energia dei soli veicoli elettrici (EV) negli Stati Uniti aumenterà fino a circa 107 terawattora entro il 2035, rispetto a 4,7 terawattora nel 2020. Grazie ai sistemi di intelligenza artificiale, è possibile prevedere la domanda di energia per la ricarica dei veicoli elettrici in un determinata area, tenendo conto delle informazioni sul traffico, della disponibilità di stazioni di ricarica, dei dati dei contatori intelligenti e delle abitudini dei conducenti.

Identificare periodi di bassa domanda di energia per la ricarica e programmare la ricarica dei veicoli per sfruttare questi periodi utilizzando modelli di ottimizzazione della gestione della domanda può ridurre la domanda di energia durante i periodi di picco di consumo. Rilevare i picchi di domanda di energia nella rete elettrica e fornire segnali agli utenti di veicoli elettrici per rallentare la ricarica durante questi periodi può ridurre il rischio di sovraccarico della rete e migliorare la stabilità del sistema.

Gestione del peak shaving: uno degli usi principali di un BESS è immagazzinare l’energia elettrica in eccesso quando la domanda è bassa e rilasciarla nella rete quando la domanda è alta. Ciò aiuta a ridurre il carico sui produttori di energia e a migliorare la stabilità della rete.

Per massimizzare l’efficienza dei sistemi di accumulo dell’energia, il loro funzionamento deve essere coordinato con la domanda di energia. È qui che l’intelligenza artificiale, in particolare gli algoritmi di apprendimento automatico, diventano utili.

L’uso dell’intelligenza artificiale nella gestione del peak shaving consente una maggiore precisione nella previsione della domanda energetica, aumentando così l’efficienza. Ciò significa che i sistemi di accumulo dell’energia possono essere programmati in modo più preciso per immagazzinare e distribuire energia, riducendo al minimo gli sprechi e massimizzando i benefici utilizzando algoritmi di apprendimento automatico come reti neurali artificiali, macchine a vettori di supporto, alberi decisionali e foreste casuali.

Per addestrare l’intelligenza artificiale alla gestione del peak shaving nei sistemi di stoccaggio dell’energia, vengono utilizzati dati storici sulla domanda di energia, sulle attività di carica e scarica e sul comportamento della rete. Gli algoritmi di apprendimento automatico vengono quindi addestrati con questi dati per prevedere i picchi di domanda e formulare raccomandazioni per ottimizzare i sistemi.

Un’altra dimensione interessante si verifica quando i modelli di intelligenza artificiale vengono alimentati con dati sui prezzi attuali e futuri previsti da operatori di sistema come il California Independent System Operator (CALISO) o l’Electric Reliability Council of Texas (ERCOT). Dalle informazioni ottenute da questi dati, l’intelligenza artificiale può generare previsioni più precise sulla domanda di energia e sulla necessità di caricare o scaricare il BESS. Identificando quando i prezzi sono più alti, gli operatori BESS possono massimizzare i profitti concentrandosi sullo scarico di energia durante le finestre altamente redditizie del giorno.

 

Gestione dello stato della batteria: l’intelligenza artificiale nella gestione BESS può essere utilizzata per prevedere i guasti e massimizzare le prestazioni e la durata, aumentando così le entrate.

Per raggiungere questi obiettivi, gli algoritmi di apprendimento automatico devono essere addestrati sui dati operativi storici dei sistemi di accumulo dell’energia, come temperatura, livelli di carica e scarica della batteria, corrente elettrica, tensione e pressione.

La regressione del processo gaussiano (GPR) è un algoritmo utilizzato per prevedere lo stato di salute della batteria, basato su un approccio bayesiano, quindi l’identificazione di un’osservazione dipende da quella precedente. Man mano che i punti dati vengono raccolti, vengono immessi nell’algoritmo per un utilizzo futuro, producendo il grafico “posteriore”. Infine, una volta effettuate tutte le osservazioni, è possibile creare il grafico di “previsione” per prevedere osservazioni ipotetiche a diversi valori di x come se fossero effettuate nella stessa serie e quindi dipendenti dalle osservazioni precedenti della serie.2

L’intelligenza artificiale interpreta questi dati per creare modelli predittivi sul degrado dei componenti del BESS. Questi modelli vengono utilizzati per prevedere quando una batteria, un inverter o un altro componente potrebbero guastarsi, consentendo ai gestori del sistema di pianificare interventi preventivi per evitare costosi problemi in futuro.

L’intelligenza artificiale può essere ulteriormente utilizzata per massimizzare le prestazioni del BESS utilizzando le informazioni sul funzionamento e sul degrado del sistema per adattare la programmazione del sistema per ridurre la velocità di degrado. Ad esempio, gli algoritmi di apprendimento automatico possono suggerire di ridurre la profondità di scarica della batteria prevedendo lo stato di carica (SOC) o ridurre la corrente di carica per aumentare i cicli di vita della batteria. Abbiamo visto che la modellazione del degrado basata sulle reti neurali si confronta favorevolmente con la modellazione elettromeccanica, basata su un recente lavoro accademico presso l’UC Berkeley.

 

I dati possono creare o distruggere i tuoi sforzi di intelligenza artificiale

Ci sono, ovviamente, sfide importanti da superare quando si utilizza l’intelligenza artificiale nel settore energetico. Dati accurati e affidabili sono essenziali per implementare efficacemente l’intelligenza artificiale e l’integrazione nei sistemi di stoccaggio dell’energia esistenti può essere costosa e complessa.

Per addestrare l’intelligenza artificiale a prevedere i guasti e massimizzare le prestazioni, è necessario raccogliere grandi quantità di dati operativi accurati e dettagliati, sia in tempo reale che storici. Un parco batterie su larga scala, ad esempio, può produrre 50-100 milioni di punti dati ogni secondo. Inoltre, i dati raccolti devono essere accompagnati anche da dati aggiuntivi sulle condizioni di utilizzo, come la temperatura ambiente, la frequenza di carica e scarica e le modalità di utilizzo. I carichi di lavoro computazionali con set di dati così grandi possono diventare impegnativi e richiedere sia l’architettura dei big data che strategie attive di data curation. È necessario tenere conto delle prestazioni e dei costi in ogni fase.

Questa grande quantità di dati operativi accurati e dettagliati viene a sua volta utilizzata per addestrare algoritmi di apprendimento automatico, che creano modelli predittivi sul degrado dei componenti del sistema di accumulo dell’energia. Questi modelli vengono utilizzati per ottimizzare la programmazione del sistema e la pianificazione degli interventi preventivi, aumentando in definitiva le prestazioni e la durata del sistema.

Solo perché i dati esistono in un’organizzazione, tuttavia, non significa che possano essere utilizzati efficacemente per le applicazioni di intelligenza artificiale. Abbiamo esplorato diversi aspetti di questo argomento nei numeri precedenti, compreso uno sguardo alle complessità legate all’acquisizione dei dati di assemblaggio delle batterie, alla garanzia della tracciabilità dei lotti delle batterie e all’uso di “viaggiatori di produzione” per automatizzare la raccolta dei dati.

Il threading e l’utilizzo di tutti i tipi di dati disponibili possono rivelare correlazioni statistiche nei dati per avviare algoritmi di apprendimento automatico nel modulo Machine Learning Manager di Peaxy, parte della nostra soluzione di analisi della batteria. Per ulteriori informazioni, consulta il nostro articolo precedente sul rilevamento delle anomalie utilizzando pipeline di dati abilitate per ML.

 

Le organizzazioni che tentano un’iniziativa di intelligenza artificiale si trovano ad affrontare domande su quanti dati della batteria archiviare, come parametrizzare grandi quantità di dati provenienti da diversi sistemi e fonti di input e come infilarli correttamente per consentire la tracciabilità fino a un numero di serie individuale o univoco. identificatore. Queste sono solo alcune delle aree in cui Peaxy ha aiutato i clienti nelle loro attività di analisi.

Alcune ulteriori aree promettenti in cui l’intelligenza artificiale può entrare in gioco includono:

  • Progettazione e sviluppo delle batterie: analizzando grandi quantità di dati e identificando modelli, l’intelligenza artificiale aiuta i ricercatori a scoprire nuovi materiali e progetti per le batterie. Un’azienda con cui collaboriamo, ad esempio, utilizza la modellazione P2D per ottimizzare la spedizione, portando ad un aumento del ciclo di vita negli esperimenti di laboratorio del 50%. Abbiamo visto l’automazione di questo processo portare ad un aumento dei ricavi del 20%.
  • Sicurezza informatica e protezione della rete: rilevando e prevedendo potenziali minacce o vulnerabilità, l’intelligenza artificiale aiuta a salvaguardare i sistemi di stoccaggio dell’energia e la rete elettrica in generale dagli attacchi informatici.
  • Conformità normativa e reporting: automatizzando i processi di raccolta, analisi e reporting dei dati, l’intelligenza artificiale consente di risparmiare tempo e risorse, garantendo che gli operatori soddisfino i requisiti normativi in modo più efficiente.

Se stai pensando a un’iniziativa di intelligenza artificiale nell’area dell’analisi delle batterie per la produzione o le operazioni BESS, è fondamentale collaborare con un’azienda che abbia una comprovata capacità di acquisire, aggregare, taggare e eseguire il threading dei tuoi dati. Peaxy lavorerà con te nella sfida dell’acquisizione dei dati del “primo miglio” fornendo dispositivi edge per garantire che le tue capacità di analisi siano complete. Queste funzionalità garantiranno che le tue analisi dell’“ultimo miglio” nelle aree discusse sopra siano quanto più solide e di impatto possibile. Vi preghiamo di contattarci per i dettagli utilizzando il pulsante qui sotto.

1https://www.bloomberg.com/press-releases/2022-06-27/-422-37-billion-global-artificial-intelligence-ai-market-size-likely-to-grow-at-39-4-cagr-during-2022-2028-industry
2 Sit, H. (2019, October 20). Quick Start to Gaussian Process Regression. Medium. https://towardsdatascience.com/quick-start-to-gaussian-process-regression-36d838810319.