Decarbonizzazione: il grande potenziale di digitalizzazione ed intelligenza artificiale

Notizie
amministratore
18 Febbraio 2020
0
387

Il ruolo crescente della digitalizzazione e dell’intelligenza artificiale avrà un peso rilevante anche nell’ambito della decarbonizzazione delle economie dal momento che l’integrazione di strumenti digitali nell’ambito dei sistemi energetici mondiali potrebbe ridurre le emissioni di carbonio di oltre il 50 per cento.

{tweetme} #decarbonizzazione #ict #iot #ia #wwf “Decarbonizzazione: il grande potenziale di digitalizzazione ed intelligenza artificiale” {/tweetme}

Queste le indicazioni cui è giunto un nuovo studio elaborato da un team internazionale di ricercatori provenienti da Singapore, Svizzera, Regno Unito e Stati Uniti, nel quale viene rivalutata la curva dei costi marginali di abbattimento, evidenziando come la digitalizzazione dei sistemi energetici alteri completamente questo modello avendo ben chiare una serie di importanti premesse.

Come dovrebbe essere noto inquinare comporta ingenti costi esterni (vedi i costi sanitari indotti), ma anche la riduzione sia di inquinanti che di gas serra ha un prezzo e il costo marginale di abbattimento rappresenta la spesa aggiuntiva da sostenere ogni volta che ci si trova ad abbattere un’ulteriore unità di emissioni. Questo concetto viene rappresentato dalla cosiddetta curva denominata anche MACC (Marginal Abatement Cost Curve), uno strumento di sintesi, molto diretto ed efficace per presentare le diverse opzioni di abbattimento delle emissioni rispetto a una linea di base, corrispondente generalmente ad un approccio aziendale tradizionale del tipo “business-as-usual”. In sostanza tale curva consente una visualizzazione delle varie opzioni di mitigazione o riduzione organizzate su un’unica metrica comprensibile coincidente con il loro costo economico. Il grafico rappresentativo mette in evidenza queste misure come blocchi con la larghezza corrispondente al potenziale abbattimento delle emissioni di carbonio, con l’altezza che invece stima il costo marginale dell’abbattimento espresso in $/tonnCO2.

Il team di ricerca dello studio sostiene come le tecnologie di digitalizzazione come i big data, l’apprendimento automatico e il crescente mondo dell’’Internet delle cose (IoT), rappresentino un sostanziale aggiornamento della MACC e per questo devono essere considerate come uno strumento fondamentale per tutti coloro che, a vario titolo, operano nei nuovi scenari di decarbonizzazione delle economie e dei sistemi. Si tratta di ambiti di applicazione estesi che vanno dalla riduzione delle nostre bollette energetiche con l’uso di nuovi contatori intelligenti, per arrivare al commercio di energia peer-to-peer tramite blockchain.

Il team di ricerca ha anche scoperto che, nonostante il potenziale delle singole e già numerose e performanti tecnologie digitali esistenti, si avrebbe una potenziale riduzione delle emissioni di carbonio fino al 20% nel caso tali tecnologie vengono applicate in maniera combinata ed integrata. Si tratta di combinazioni denominate sistemi cyber-fisici (o cyber-physical systems – CPS), costituite da reti di infrastrutture fisiche e computer interagenti fra loro, consentendo un’analisi e un processo decisionale più intelligente, con la conseguente ottimizzazione dei sistemi energetici. Introducendo inoltre tecniche di Intelligenza Artificiale (IA) nell’equazione i risparmi si incrementerebbero di un ulteriore 30 per cento a livello di emissioni di CO2 evitate.

Uno degli esempi più interessanti e virtuosi di applicazione dei sistemi cyber fisici dotati di IA è costituito dalla risposta al cruciale tema della previsione delle produzione rinnovabile non programmabile come eolico e fotovoltaico, due settori caratterizzati da una forte crescita contestualizzata ad una altrettanto significativa riduzione dei costi, ma limitati proprio dalla intermittenza della loro disponibilità. Inoltre, le tecnologie di digitalizzazione intelligente, con particolare riferimento l’apprendimento automatico, possono avere grandi potenzialità nell’integrazione dei sistemi di accumulo negli impianti convenzionali, consentendo di migliorare la previsione della variabilità. Nella figura seguente i tre diversi scenari proposti dallo studio.