In che modo le utility utilizzano l’AI per adattarsi alle richieste di elettricità

Con la diffusione del nuovo coronavirus, milioni di persone si ritrovano improvvisamente confinate nelle loro case, il passaggio ha messo a dura prova non solo i fornitori di servizi Internet, le piattaforme di streaming e i rivenditori online , ma anche le utility che forniscono energia alla rete elettrica ad intere nazione.

Alcune utility utilizzano l’intelligenza artificiale e l’apprendimento automatico per affrontare le intemperie e le fluttuazioni del consumo di energia derivanti da COVID-19. 

Una previsione del carico precisa potrebbe garantire che le operazioni e che queste non vengano interrotte nei prossimi mesi, evitando così blackout e cali di tensione, e potrebbero anche rafforzare l’efficienza dei processi interni dei servizi pubblici, portando a una riduzione dei prezzi e un miglioramento del servizio molto dopo la fine della pandemia.

Innowatts

Innowatts , una startup che sviluppa un toolkit automatizzato per il monitoraggio e la gestione dell’energia, annovera tra i suoi clienti diverse importanti società di servizi statunitensi, tra cui Portland General Electric, Gexa Energy, Avangrid, Arizona Public Service Electric, WGL e Mega Energy. 

La sua piattaforma di eUtility acquisisce i dati da oltre 34 milioni di contatori di energia intelligenti attraverso 21 milioni di clienti in oltre 13 mercati energetici regionali, mentre i suoi algoritmi di apprendimento automatico analizzano i dati per prevedere carichi a breve e lungo termine, varianze, sensibilità agli agenti atmosferici e altro ancora.

Al di là di queste previsioni di posta in gioco, Innowatts aiuta a valutare gli effetti delle diverse configurazioni dei tassi mappando le strutture dei tassi delle utility con modelli di costo disaggregati. 

Innowwatts ha dichiarato di aver osservato cambiamenti “drammatici” nel consumo di energia tra la prima e la quarta settimana di marzo. 

I rivenditori “non essenziali” come saloni, negozi di abbigliamento e tintorie stavano consumando solo il 35% di energia in più verso la fine del mese (dopo che sono stati emanati gli ordini sul posto) rispetto all’inizio del mese, mentre i ristoranti (ad eccezione delle catene di pizze) utilizzavano solo il 28%. 

Innowatts afferma che durante questi picchi e ribassi di utilizzo, i suoi clienti hanno approfittato della previsione del carico basata sull’intelligenza artificiale per imparare dagli shock a breve termine e apportare modifiche tempestive. Entro tre giorni, la società ha affermato che i suoi modelli di previsione sono stati in grado di apprendere nuovi modelli di consumo e produrre previsioni accurate, tenendo conto dei cambiamenti in tempo reale.

Il CEO di Innowatts, Sid Sachdeva, ritiene che se le società di servizi pubblici non avessero sfruttato i modelli di machine learning, le previsioni della domanda a metà marzo avrebbero visto variazioni del 10-20%, con un impatto significativo sulle operazioni.

“Durante questi periodi turbolenti, la previsione del carico basata sull’intelligenza artificiale offre ai fornitori di energia la possibilità di sviluppare strategie informate e basate sui dati per il successo futuro”, ha dichiarato Sachdeva”. 

Senza gli strumenti di intelligenza artificiale, le utility vedrebbero le loro previsioni oscillare selvaggiamente, portando a imprecisioni del 20% o più, mettendo a dura prova le loro operazioni e in definitiva aumentando i costi per aziende e consumatori. “

Autogrid

Autogrid collabora con oltre 50 clienti in 10 paesi, tra cui Energy Australia, Florida Power & Light e Southern California Edison, per fornire informazioni sull’utilizzo dell’energia elettrica basate sull’intelligenza artificiale. 

La sua piattaforma fa 10 milioni di previsioni ogni 10 minuti e ottimizza oltre 50 megawatt di potenza, che è sufficiente per fornire il sobborgo medio.

Flex, il prodotto di punta dell’azienda, prevede e controlla decine di migliaia di risorse energetiche da milioni di clienti importando, archiviando e gestendo petabyte di dati da trilioni di endpoint. Utilizzando una combinazione di algoritmi di data science, machine learning e ottimizzazione della rete, Flex modella sia la fisica che il comportamento dei clienti, anticipando e adattando automaticamente i modelli di domanda e offerta.

Autogrid offre anche una soluzione completamente gestita per l’integrazione e l’utilizzo delle installazioni di batterie e microgrid del cliente finale. 

Come Flex, aggrega, prevede e ottimizza automaticamente la capacità degli asset di sottostazioni e trasformatori, reagendo alle esigenze di gestione della distribuzione e fornendo capacità per evitare investimenti di capitale negli upgrade di sistema.

Amit Narayan, CEO di Autogrid, ha dichiarato a VentureBeat che la crisi COVID-19 ha fortemente spostato la distribuzione giornaliera di energia in California, dove sta avendo un “significativo” impatto al ribasso sui prezzi orari nel mercato dell’energia. 

Dice che Autogrid ha anche sentito parlare da parte dei clienti dei guasti dei trasformatori in alcune regioni a causa di circuiti sovraccarichi, che si aspetta che diventerà un problema in aree di carico pesantemente residenziali e saturi durante i mesi estivi (quando aumenta l’uso dell’aria condizionata).

L’AI fa la differenza

L’intelligenza artificiale e l’apprendimento automatico non sono un proiettile d’argento per la rete elettrica, anche con strumenti predittivi a loro disposizione, le utility sono viste su una curva tumultuosa della domanda. Ma i fornitori affermano di vedere prove che gli strumenti stanno già aiutando a prevenire il peggio degli effetti della pandemia, principalmente consentendo loro di adattarsi meglio ai profili di carico di energia giornaliero e settimanale spostati.

L’impatto sociale durante la pandemia continuerà a farsi sentire, le persone possono continuare a lavorare da remoto invece di andare in ufficio, possono modificare i loro tempi di spostamento per evitare folle nelle ore di punta o possono cercare modi di trasporto alternativi.