NegaWh EXchange
Piattaforma di balancing demand-response per un mercato dell’elettricità efficiente, a prezzi ragionevoli e sostenibile
Riassunto del contesto e obiettivi generali del progetto
Il mercato dell’energia deve integrare nuove soluzioni per bilanciare l’offerta e la domanda di elettricità. Attualmente, il modello passivo e unidirezionale non è in grado di pianificare i programmi di produzione per soddisfare la domanda senza creare squilibri nella rete elettrica. Questo porta ad inefficienze con impatto negativo sugli aspetti fisici, economici e ambientali dell’intero sistema di rete e sul mercato elettrico.
Il nostro obiettivo è risolvere il problema dello squilibrio elettrico con un processo di digitalizzazione o virtualizzazione, trasformando l’energia elettrica in un bene programmabile. Per ogni quantità di elettricità richiesta (Demand), la stessa quantità viene prodotta dalla migliore fonte disponibile in quel momento (Response). Ogni errore dovuto al sovra-consumo e al sotto-consumo della domanda rispetto ai valori attesi viene annullato implementando una serie di correzioni di programmazione, secondo una lista di priorità precedentemente definita per lo specifico impianto, senza che ciò influenzi significativamente il livello di prestazioni richieste dal processo di consumo (industria, servizi, residenziale).
Lavoro svolto finora
Tecnalogic ha sviluppato una piattaforma prototipale ed ha convalidato un sistema Demand/Response stand-alone (singolo impianto, senza architettura cloud). La comunicazione tra il campo e il centro di controllo si basa su un semplice scambio di file di testo contenenti dati storici sul consumo e dati operativi di ciascun carico significativo (Profilazione) e la programmazione giornaliera dei dispositivi di campo (Schedulazione). Nel caso in cui il consumo totale raggiunge la soglia superiore o inferiore predefinita, viene attivata una programmazione secondaria automatica (Bilanciamento) combinando un insieme di azioni predefinite e non critiche sui singoli carichi (accensioni / spegnimenti luci, aumento / diminuzione della temperatura) per contribuire ad un ritorno rapido dallo sbilanciamento globale.
Inoltre, la gestione di un impianto di cogenerazione ha consentito la simulazione degli acquisti di borsa in diverse sessioni.
Con questi esperimenti testati su un ospedale ed un edificio per uffici, siamo riusciti a dimostrare la fattibilità tecnica dei moduli principali (Demand Side Management, Response Side Management e Balancing Demand Response) confermando che il sistema consente di ottenere:
- Efficienza energetica. Interventi sui differenziali di inerzia termica in una misura pari a un grado hanno benefici in termini di efficienza del 10-15% rispetto al consumo di elettricità senza il sistema.
- Profilazione dettagliata del consumo. Grazie alla correlazione con i dati meteorologici e altri dati di pianificazione degli eventi, i dati di utilizzo dei singoli sottosistemi contribuiscono a una maggiore precisione nella definizione degli orari e delle previsioni di consumo.
- Riduzione del consumo. Avendo il controllo delle risorse energetiche, è possibile negoziare un contratto migliore in termini di quantità e prezzo con il trader, poiché il beneficio che ne deriva per il trader è una riduzione del rischio di gestione del portafoglio energetico.
- Riduzione del budget di potenza. Una fornitura adeguata alle reali esigenze di consumo può portare un beneficio stimato del 10%.
- Riduzione dei costi di sbilanciamento. La riduzione e la potenziale cancellazione dei picchi di consumo possono portare un beneficio stimato del 25%.
Avanzamento oltre lo stato dell’arte ed impatto potenziale atteso
Dopo lo sviluppo finale, i moduli principali (Energy Audit, Demand Side Management, Response Side Management, Balancing Demand Response e Market) saranno integrati utilizzando l’infrastruttura cloud per l’intercomunicazione in tempo reale. NegaWh EXchange sarà una soluzione unica nel campo della domanda attiva e della risposta flessibile utilizzando algoritmi di artificial neural network, machine learning, deep learning, programmazione non lineare e support vector machine per abbinare la produzione e il consumo di energia in tempo reale sulla base di metodi brevettati.
