Utilizzo di Machine Learning nei Sistemi Ibridi – Caso D’uso

Risparmio fino al 20% sul consumo di gasolio grazie alla Machine Learning nei sistemi ibridi

SOMMARIO

Sviluppando una serie di modelli di Machine Learning e algoritmi di ottimizzazione, abbiamo ottenuto un risparmio di centinaia di migliaia di litri di gasolio ogni anno, senza compromettere l’aspettativa di vita dei componenti del sistema. Abbiamo anche fornito un sistema di “gemelli digitali” che consente di dimensionare sistemi nuovi o esistenti, nonché di rilevare comportamenti imprevisti dei sistemi implementati.

Queste stesse tecniche possono essere applicate a un’ampia gamma di casi d’uso come la riduzione dei costi energetici prelevando energia dalla rete quando il prezzo è più basso, monitorare e dimensionare i sistemi ibridi, prevedere la domanda di energia per adeguare la produzione di energia.

 

DESCRIZIONE DEL CASO D’USO

Il nostro cliente gestisce centinaia di torri per telefoni cellulari in tutto il mondo. La maggior parte di queste torri si trova in aree rurali senza accesso alla rete elettrica, quindi la loro fornitura di energia è ottenuta da pannelli fotovoltaici e un gruppo elettrogeno ad alimentazione a gasolio.

Questi sistemi ibridi ottengono supporto da pannelli solari accumulatori per coprire i periodi di tempo in cui il gruppo elettrogeno è spento e quando la produzione solare è inferiore al consumo della torre.

Ci è stato chiesto di ottimizzare l’utilizzo del gruppo elettrogeno ad alimentazione a gasolio regolando automaticamente i programmi per le successive 24 ore.

IL NOSTRO METODO

Abbiamo sviluppato una serie di modelli di machine learning che vengono preparati utilizzando più fonti di dati come dati storici sui consumi, dati storici sulla produzione di energia o dati sulle previsioni del tempo.

Questi modelli possono prevedere il consumo energetico atteso dalle torri cellulari, la produzione di energia solare e la perdita di energia dall’utilizzo della batteria per le prossime 24 ore.

Confronto tra la produzione solare prevista vs storica.

Confronto tra la domanda di energia prevista VS storica.

Utilizzando i dati previsti, abbiamo sviluppato due algoritmi di ottimizzazione:

Il primo emette i livelli di batteria ideali quando il gruppo elettrogeno deve essere avviato e arrestato per il giorno successivo per configurare automaticamente il programma.

Previsione dell’ottimizzazione

Il secondo algoritmo fornisce un potente strumento di supporto decisionale che consente al nostro cliente di trovare le velocità ottimali di ricarica della batteria, in modo che possano scegliere tra configurazioni più orientate al risparmio di carburante o configurazioni di manutenzione inferiori.

Ottimizzato per ridurre al minimo il tempo di accensione del gruppo elettrogeno
(risparmio di carburante).

Ottimizzato per ridurre al minimo il numero di avviamenti del gruppo elettrogeno
(risparmi sulla manutenzione).

Inoltre, abbiamo sviluppato un sistema che funge da “gemello digitale” per supportare il nostro cliente nel dimensionamento di sistemi nuovi o esistenti. Questo sistema prevede il consumo di energia del sistema, la produzione di energia, l’utilizzo del gruppo elettrogeno e il consumo di carburante date ipotetiche impostazioni hardware e di configurazione:

• Cosa succede se … aggiungiamo altri 2 pannelli solari
• Cosa succede se … perdiamo una batteria nel gruppo
• Cosa succede se … il consumo della torre è aumentato del 50%

 

Questi “gemelli digitali” possono essere confrontati con i sistemi reali per monitorare comportamenti imprevisti allertando il nostro cliente in caso di guasti o anomalie del sistema.

Produzione di energia e monitoraggio della domanda.

RISULTATI

Il sistema consente al nostro cliente di regolare l’ottimizzazione per ciascuna torre verso il risparmio di carburante rispetto al risparmio sui costi di manutenzione, questa flessibilità produce infiniti risultati possibili che vanno da:

oltre il 20% di risparmio sul consumo di carburante con meno del 4,5% di aumento degli avviamenti del gruppo elettrogeno utilizzando configurazioni orientate a ridurre al minimo il tempo in cui il gruppo elettrogeno è acceso

a

diminuzione superiore al 20% degli avviamenti del gruppo elettrogeno e carica della batteria più lenta con un aumento del consumo di carburante inferiore all’8,2% per configurazioni orientate in modo aggressivo alla riduzione dei costi di manutenzione.

Utilizzando l’algoritmo di supporto decisionale, il nostro cliente seleziona configurazioni bilanciate che forniscono oltre il 15% di risparmio medio di carburante senza aumentare gli avviamenti del gruppo elettrogeno. Questo si traduce in centinaia di migliaia di litri di gasolio risparmiati ogni anno senza compromettere il gruppo elettrogeno e la durata prevista della batteria.

Come ulteriore risultato, il nostro cliente beneficia di un nuovo potente sistema di supporto decisionale che lo aiuta a dimensionare e monitorare le attività utilizzando il sistema dei “gemelli digitali”.