Soluzioni digital IoT integrate nel mondo dell’efficienza energetica = Integrated digital IoT solutions in the world of energy efficiency

Nel campo dell’”Energy & Utilities” ormai da tempo ci si imbatte nel termine “Digital Energy”, ovvero l’utilizzo di nuove tecnologie per monitorare e controllare i consumi dei vari vettori energetici in modo più efficiente ed automatizzato. L’uso di tecnologie digitali sempre più avanzate è già per alcune aziende ben consolidato in tutte le fasi, dalla produzione alla vendita. Il fine di questo elaborato finale è quello di affrontare il tema di questa nuova rivoluzione industriale a partire dalle conseguenze di questa evoluzione analizzando sia gli aspetti tecnici, sia quelli funzionali, che stanno rivoluzionando il panorama internazionale della tecnologia e delle imprese nel mondo energetico e non. Di queste sono state descritte le loro caratteristiche, le loro potenzialità e alcune modalità di utilizzo, in particolare viene approfondita un’applicazione in ambito industriale nel settore Automotive sviluppata dal gruppo Engineering Ingegneria Informatica S.p.A. e per la quale ho avuto l’opportunità di partecipare alla fase di sviluppo e di rilascio in produzione. Il concetto fondamentale su cui è stato elaborato il modello di gestione è stato quello del WCM. L’obiettivo finale del metodo è quello di avere un continuo miglioramento e ottimizzazione delle performance rivolte alla soddisfazione del cliente finale, e soprattutto un controllo e una riduzione sistematica dei consumi. Nel seguente lavoro inoltre è stato discusso un nuovo algoritmo sviluppato mediante metodi di Machine Learning che permette un’elaborazione automatica e accurata delle baseline in base allo storico dei consumi per una data area, vettore energetico e tipo perdita. Il bisogno di rinnovare il metodo per la generazione di questi valori di baseline derivava dal fatto che il sistema secondo le quali venivano generate precedentemente presentava carenze di automatizzazione e accuratezza. Complessivamente possiamo distinguere i risultati per i diversi tipi di perdite affrontati (perdite di periodo produttivo e di periodo non produttivo). Per quelle del periodo produttivo mediante un algoritmo di Machine Learning (regressione lineare supervisionata) si è avuto una complessiva diminuzione dei valori medi di baseline che hanno portato ad un aumento delle perdite stimate di circa il 50% rispetto ai valori ottenuti dal metodo precedente. Dai test effettuati si è visto che si necessitano almeno 3 mesi di storico dati rispetto al periodo preso in esame per l’individuazione del periodo di consumo ottimale rispetto al quale verranno poi calcolate le perdite. Per le perdite riferite al periodo non produttivo mediante l’adozione di un metodo di tipo statistico si è ottenuto un aumento medio dei valori di baseline che hanno portato ad una diminuzione di circa il 30% delle perdite rispetto al caso precedente. I valori che sono stati ottenuti per il periodo produttivo seguono molto bene i trend dei consumi, essendo ottenuti in funzione della produzione. I migliori risultati però sono stati ottenuti dalle analisi per il periodo non produttivo. In questo caso i valori generati seguono in maniera ottimale i trend di “plateau”, e si è riscontrato anche che il migliore set di dati da prendere in considerazione per la stima delle baseline di un dato mese è quello dei dati del solo mese precedente. In ultima analisi, non essendo stato possibile eseguire una validazione delle baseline generate mediante parametri e analisi fisiche (quindi di tipo deterministico), questo argomento rimane aperto ad ulteriori studi ed approfondimenti. Sicuramente un aumento del numero della strumentazione di misura, ad esempio installata localmente su ogni singolo macchinario, aiuterebbe ad avere sia analisi più accurate sia renderebbe meno complesso lo studio per la validazione fisica delle nostre caratteristiche.