Modello LSTM migliora simulazione carichi termici elettrici
La transizione energetica globale ha portato a un ripensamento radicale del modo in cui i sistemi elettrici vengono gestiti, bilanciati e ottimizzati. Con l’aumento della penetrazione delle fonti rinnovabili intermittenti come solare ed eolico, la stabilità della rete elettrica dipende sempre più dalla capacità di gestire con precisione la domanda, trasformando i consumatori passivi in attori attivi del mercato energetico. Tra i più promettenti asset di flessibilità emergono i carichi termici distribuiti, in particolare i sistemi di riscaldamento elettrico, che stanno guadagnando rilevanza non solo per il comfort residenziale, ma anche come risorse controllabili per programmi di risposta alla domanda.
Un recente studio pubblicato sulla rivista Power Demand Side Management ha introdotto un innovativo modello di simulazione basato sulle reti neurali LSTM (Long Short-Term Memory) che supera significativamente i metodi tradizionali nell’accuratezza della previsione del comportamento termico di questi carichi. Il lavoro, condotto da Liu Yaxuan del Laboratorio Chiave del Ministero dell’Istruzione sulla Simulazione e Controllo dei Sistemi Elettrici Moderni e sulle Tecnologie per le Energie Rinnovabili Nuove presso l’Università di Northeast Electric Power, rappresenta un passo avanti cruciale per l’integrazione sicura e affidabile di masse critiche di riscaldamento elettrico nei sistemi di controllo della rete.
Il fulcro del problema risiede nei limiti intrinseci dei modelli tradizionali di carico, in particolare i modelli a Parametri Termici Equivalenti (ETP). Questi modelli, ampiamente utilizzati per rappresentare carichi controllati termostaticamente come condizionatori e riscaldatori, si basano su equazioni differenziali che descrivono il trasferimento di calore tra l’ambiente interno, l’involucro edilizio e l’esterno. Tuttavia, la loro precisione è fortemente compromessa da due fattori principali: la difficoltà di identificare con esattezza i parametri fisici specifici dell’edificio, come la capacità termica delle pareti o la resistenza all’isolamento, e la tendenza a cumulare errori durante simulazioni di lunga durata. Questi errori, anche se piccoli a breve termine, possono amplificarsi nel tempo, portando a previsioni inaffidabili sulla temperatura interna e, di conseguenza, sullo stato di accensione/spegnimento del riscaldatore.
Queste inesattezze diventano critiche quando si tratta di coordinare migliaia di unità di riscaldamento per fornire servizi di regolazione alla rete, come lo spostamento di picchi di carico o il supporto alla frequenza. Una previsione errata del momento in cui un carico si riaccenderà dopo un periodo di spegnimento controllato può vanificare l’intero sforzo di controllo, causando picchi indesiderati o una risposta inadeguata alle fluttuazioni della generazione rinnovabile. La necessità di modelli più precisi e robusti è quindi urgente.
È qui che entra in gioco l’approccio proposto da Liu Yaxuan e dal suo team. I ricercatori hanno riconosciuto che il comportamento termico di un edificio è intrinsecamente sequenziale e dipendente dalla storia. La temperatura interna in un dato istante non è determinata solo dalle condizioni esterne e dallo stato del riscaldatore in quel momento, ma anche da quanto calore è stato accumulato nelle masse (muri, mobili, aria) negli istanti precedenti. Questo “effetto memoria” è la caratteristica chiave che i modelli ETP statici non riescono a catturare pienamente.
Per affrontare questa sfida, il team ha scelto di utilizzare una rete neurale LSTM, una variante avanzata delle reti neurali ricorrenti (RNN) progettata specificamente per apprendere da sequenze di dati nel tempo. A differenza delle RNN standard, che soffrono del problema del “gradiente che scompare” quando si tratta di lunghe sequenze, le LSTM sono dotate di un meccanismo di “porte” interne – porte di ingresso, uscita e oblio – che consentono alla rete di decidere quali informazioni del passato conservare, aggiornare o dimenticare. Questa architettura le rende eccezionalmente adatte a compiti di previsione di serie temporali, in cui il contesto storico è fondamentale.
L’obiettivo del modello non era semplicemente prevedere un valore di temperatura, ma simulare con fedeltà il comportamento dinamico del sistema di riscaldamento. Il team ha raccolto dati sperimentali da una camera climatica appositamente progettata, che simulava le condizioni di riscaldamento di un ambiente residenziale sotto diverse temperature esterne: costanti a -10°C e -15°C, e dinamiche che oscillavano tra -5°C e -20°C. I dati, campionati ogni minuto, includevano la temperatura interna, la temperatura esterna e lo stato di funzionamento (acceso/spento) del riscaldatore a film elettrico.
L’analisi del processo di trasferimento di calore ha permesso di identificare le variabili di input fondamentali per il modello LSTM: la temperatura interna al passo temporale precedente, la temperatura esterna corrente e lo stato del riscaldatore. Il modello è stato quindi addestrato su una parte dei dati (il 66,7%) per imparare le complesse relazioni non lineari tra questi input e la temperatura interna al passo successivo.
Una delle innovazioni metodologiche più importanti è stata la strategia di simulazione “closed-loop” utilizzata nella fase di test. Durante la simulazione a lungo termine, il modello non utilizza la temperatura interna reale come input per il passo successivo, ma la sua stessa previsione. Questo è essenziale per testare la stabilità e l’accuratezza del modello in scenari reali, dove i dati in tempo reale non sono disponibili per un feedback continuo. Questo approccio mette a dura prova la capacità del modello di mantenere la precisione senza “ancorarsi” a misurazioni corrette.
Per valutare il successo del modello, i ricercatori hanno sviluppato un quadro di valutazione degli errori a due dimensioni, un concetto raffinato che va oltre le metriche tradizionali. La prima dimensione è l’”errore verticale”, misurato dall’Errore Assoluto Medio (MAE), che rappresenta la differenza numerica media tra la temperatura simulata e quella effettivamente misurata. È una misura diretta della precisione del valore previsto.
La seconda dimensione, l’”errore orizzontale”, è particolarmente rilevante per le applicazioni di controllo della rete. Cattura lo scostamento temporale tra il momento in cui il modello prevede che il riscaldatore si accenda o si spenga e il momento effettivo. Anche se la temperatura media è prevista correttamente, uno scostamento temporale di pochi minuti può ridurre drasticamente l’efficacia di un programma di risposta alla domanda coordinato. Per misurare questo errore, i ricercatori hanno confrontato gli intervalli di tempo in cui lo stato del carico (acceso/spento) previsto dal modello coincideva con lo stato effettivo, calcolando la percentuale di tempo di sovrapposizione.
I risultati dell’analisi sono stati impressionanti. In tutti e tre gli scenari sperimentali, il modello LSTM ha superato nettamente il modello ETP di secondo ordine, considerato uno dei più accurati tra i modelli fisici tradizionali. Per quanto riguarda l’errore verticale, il MAE del modello LSTM è rimasto costantemente al di sotto di 0,5 °C in tutte le condizioni, un livello di precisione eccezionale per applicazioni pratiche. Questo indica che il modello riesce a tracciare con grande fedeltà la traiettoria termica reale dell’ambiente.
Ancora più significativo è stato il vantaggio del modello LSTM nell’errore orizzontale. La percentuale di tempo in cui lo stato di funzionamento del carico simulato era in accordo con lo stato effettivo ha superato l’88% in tutti gli scenari, raggiungendo punte del 97,6% in condizioni di temperatura esterna costante. Questo dimostra non solo che il modello prevede bene il valore della temperatura, ma anche che cattura con grande precisione la dinamica di commutazione del termostato, un requisito fondamentale per il controllo collettivo.
Un altro vantaggio chiave del modello LSTM è la sua capacità di apprendere i parametri implicitamente dai dati. Mentre i modelli ETP richiedono una complessa e spesso impraticabile identificazione dei parametri termici specifici dell’edificio, il modello LSTM “impara” queste caratteristiche durante la fase di addestramento. Questo lo rende molto più flessibile, facilmente adattabile a diversi tipi di edifici e molto più semplice da implementare su larga scala, senza la necessità di una calibrazione dettagliata per ogni singola unità.
Questa caratteristica lo rende perfettamente allineato con l’era delle reti intelligenti (smart grid), dove la proliferazione di sensori e dispositivi connessi genera enormi volumi di dati. La capacità di costruire modelli accurati direttamente dai dati, senza un profondo know-how ingegneristico specifico, abbassa notevolmente la barriera d’ingresso per i fornitori di energia e gli aggregatori che vogliono sfruttare la flessibilità della domanda. Inoltre, la scalabilità è intrinseca: un singolo modello ben addestrato potrebbe essere applicato a migliaia di edifici simili con minime modifiche.
Le implicazioni di questo studio sono profonde. Per gli operatori di rete, modelli di carico più accurati significano una pianificazione e un controllo molto più efficaci. Possono prevedere con maggiore certezza la capacità di risposta della domanda, ottimizzare la programmazione della generazione e migliorare la resilienza della rete. Per i consumatori, ciò si traduce in programmi di risposta alla domanda più intelligenti e meno invasivi, che ottimizzano il consumo energetico senza compromettere il comfort termico. Per i responsabili delle politiche energetiche, fornisce una base solida per progettare incentivi e meccanismi di mercato che promuovano una partecipazione attiva e sostenibile.
Il successo del modello LSTM apre la strada a ulteriori sviluppi. Le ricerche future potrebbero esplorare architetture ibride che combinano i principi fisici dei modelli ETP con la potenza predittiva delle reti neurali, creando modelli “fisicamente informati” che siano sia precisi che interpretabili. L’apprendimento per trasferimento potrebbe permettere di adattare rapidamente un modello pre-addestrato a nuovi contesti edilizi, accelerando il tempo di implementazione.
L’approccio sperimentale rigoroso del team, basato su dati reali raccolti in un ambiente controllato, conferisce una forte credibilità ai risultati. A differenza di studi che si affidano a dati sintetici o a modelli semplificati, questo lavoro si fonda su misurazioni dirette e ripetibili, stabilendo un solido benchmark per la ricerca futura.
In conclusione, il lavoro di Liu Yaxuan, Wang Siyan, Jiang Jing e Zhang Liwei rappresenta un contributo significativo al campo della modellazione della domanda elettrica. La loro dimostrazione dell’efficacia delle reti LSTM per la simulazione precisa dei carichi di riscaldamento elettrico distribuito non è solo un risultato tecnico, ma un passo concreto verso reti elettriche più intelligenti, flessibili e sostenibili. Mentre il mondo continua a decarbonizzare i suoi sistemi energetici, l’abilità di controllare con precisione la domanda diventerà sempre più cruciale, e questo studio fornisce uno strumento potente per affrontare quella sfida.
Liu Yaxuan, Wang Siyan, Jiang Jing, Zhang Liwei, Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.03.010