Computational Intelligence per l’Energia: introduzione alle tecniche di analisi dati e previsione in ambito energetico

Le ANN (Artificial Neural Network) offrono un mezzo per ottenere modelli a molti parametri per i quali non esiste uno schema analitico esatto, ovvero per cui sarebbe troppo difficile costruirne uno per via numerica o la cui risposta sarebbe affetta da incertezza troppo elevata per poter essere utilizzato efficientemente. Inoltre le ANN forniscono anche un metodo compatto per valutare il probabile l’esito di un problema complesso considerando grandi quantità di dati.

Le ANN si basano su una fase di "addestramento" o "training" che consente di emulare le relazioni in un set di dati. Una volta "addestrata", la ANN può essere utilizzata per prevedere l'esito di un altro nuovo set di dati di input svolgendo il ruolo di "previsore" del sistema. Nella fase di training i parametri delle reti vengono modificati al fine di minimizzare lo scarto tra il fenomeno misurato ed il risultato della rete. Questa fase e' realizzata mediante tecniche di ottimizzazione che ricercano il minimo di una funzione obiettivo.

Sulla base dalla ricerca degli ultimi decenni, sono stati sviluppati strumenti di analisi dati e di training delle reti che ne consentono un uso efficace ed efficiente. Un esempio di applicazione e' dato dalla previsione di produzione di potenza delle fonti rinnovabili o dalla previsione dei carichi elettrici e termici di un insieme di utenze. Questi dati, funzione di parametri ambientali quali temperatura, irradianza solare, vento, sono la base di partenza da cui le ANN, opportunamente addestrate, sono in grado di "intuire" le dipendenze nonlineari e fornire un modello di previsione.

Strumenti di previsione di produzione e/o di consumo sono indispensabili nelle fasi di “planning” di nuove iniziative energetiche, ad esempio le nuove Comunita’ Energetiche recentemente al via anche in Italia, e nella fase di controllo operativo degli impianti.

Fornire le basi teoriche e le conoscenze preliminari per affrontare lo studio di sistemi energetici mediante tecniche di analisi di dati e di intelligenza artificiale.

Il corso può essere utile per affrontare alcune problematiche quali ad esempio:

• valutazione di dati provenienti da impianti industriali sia per la produzione di energia che di processo e metterne in luce alcune caratteristiche peculiari e ricorrenti;
• previsione di potenza di impianti di produzione di energia rinnovabile in funzione dei parametri ambientali quali irradianza solare, temperatura etc.
• previsione di carichi elettrici e termici;
• studio di serie temporali di prezzi e valori di mercato di commodity energetiche;
• analisi di prestazioni di sistemi elettrici ed energetici al fine di metterne in luce deviazione dalle prestazioni nominali ed eventuali guasti.

Il corso è rivolto a ingegneri e tecnici coinvolti nella gestione di impianti a fonti rinnovabili, impianti di produzione di energia e multiutility

Ore 09.00 - Registrazione e presentazione del corso

Ore 09.30 - Inizio lavori

• Analisi dati, tecniche di regressione, modelli lineari, tecniche di classificazione
• Reti neurali artificiali, Multi Layer Perceptron
• Tecniche di minimizzazione dello scarto tra modello e dati sperimentali, tecniche di minimizzazione deterministica e solutori basati su gradiente

Ore 11:30: Intervallo

• Tecniche di ottimizzazione euristica e stocastica
• Valutazione di serie temporali e reti neurali artificiali ricorrenti

Ore 13.30:  Pausa pranzo

Ore 14.30: Ripresa Lavori

• La sessione pomeridiana sara’ dedicata allo sviluppo di modelli di computational intelligence in ambiente Python
• Gli ambienti per lo sviluppo di modelli di analisi di dati in ambito “open source”
• Definizione di un problema di classificazione: le classi energetiche degli edifici
• La previsione di produzione energetica di un impianto fotovoltaico
• La previsione di produzione di un impianto solare termico
• Previsione di carico in un impianto di teleriscaldamento.

Ore 18.30 – Conclusione dei lavori e domande

Test di verifica per crediti CNI

I docenti del corso sono:

• Prof. Maurizio Repetto, professore di Elettrotecnica presso Politecnico di Torino, Dipartimento Energia “Galileo Ferraris”
• Dott. Gianmarco Lorenti, ricercatore in Elettrotecnica presso Politecnico di Torino, Dipartimento Energia “Galileo Ferraris”

Le iscrizioni dovranno pervenire entro 7 giorni precedenti la data d’inizio del corso.

Iscrizioni posteriori a  questa data, saranno accettate subordinatamente alla  disponibilità dei posti.

Il corso verrà confermato via e-mail una settimana prima.

Il numero massimo di partecipanti è di 25 persone.

Il corso può essere fruito in modalità Aula (presso le aule del CEI in Via P.A. Saccardo 9, 20134 Milano) o in modalità Diretta Streaming (piattaforma Teams).

Al termine del corso (con una frequenza minima del 90% della durata del corso) verrà rilasciato l’attestato di partecipazione CEI e gli eventuali crediti richiesti.

Il corso in modalità in aula o diretta streaming ha durata di 8 ore.

Ad ogni partecipante al corso verrà consegnata, come dotazione personale, la seguente documentazione prodotta dal CEI:

• Pubblicazione sugli argomenti trattati nell’ambito del corso

Per acquisti effettuati nel giorno del corso i  partecipanti potranno usufruire dello sconto riservato ai  Soci per l’acquisto di pubblicazioni e prodotti CEI.