La produzione di energia da fonti rinnovabili rappresenta uno dei principali driver nell'ottica dello sviluppo sostenibile. Con i moderni sistemi di monitoraggio legati alle nuove disponibilità di tecnologie sviluppate nell'ambito dell'Internet of Things (IoT), modelli matematici sempre più potenti sono ormai indispensabili per estrarre know-how dai flussi di dati generati da questi sistemi. In questo scenario l'Intelligenza Artificiale (AI) sta attirando una sempre maggiore attenzione in quanto in grado di catturare fenomeni complessi e le loro dinamiche interne. In questa proposta di progetto l'obiettivo è quello di sviluppare ed implementare modelli di AI innovativi, in grado di adattarsi ad una serie di problematiche caratteristiche dei sistemi per la produzione di energia da fonti innovabili. In particolare, si propone lo sviluppo di architetture neurali tramite la combinazione di reti di diversa natura (p.e. reti convolutive, ricorrenti, etc.) in modo da combinare i vantaggi associati ad ognuna di esse e di porre particolare attenzione sulle architetture graph-based , non ancora esplorate nel contesto di interesse. Lo scopo finale è quello di sviluppare dei modelli di AI in grado di ottimizzare le performance operative di questi sistemi garantendo la massima efficienza operativa in funzione della variabilità delle condizioni al contorno ed al tempo stesso di renderli più affidabili nel contesto della manutenzione predittiva.
Gli strumenti di AI trovano innumerevoli applicazioni in una vasta gamma di scenari ed ultimamente stanno riscuotendo molto successo nel contesto dei sistemi complessi ed altamente non lineari, come le reti di sensori e le reti elettriche.
Tuttavia, quando si parla di sistemi energetici rinnovabili, tipicamente in letteratura vengono impiegate metodologie di AI tradizionali e tecniche già largamente applicate in altre aree di ricerca come la Computer Vision o il Natural Language Processing. Una review del 2019 [1] dimostra come, ad esempio, le RNN o le CNN siano utilizzate per la previsione dell'energia solare oppure come le ANN multilivello vengano impiegate per la predizione dell'energia delle onde. In tutti i casi applicativi riportati gli strumenti di AI vengono utilizzati separatamente nella loro forma originale per l'estrazione di features e la previsione di quantità utili.
L'analisi dello stato dell'arte nel contesto delle energie rinnovabili evidenzia quindi una lacuna in termini di casi applicativi che prevedono la combinazione della potenzialità di reti di diversa natura. Inoltre, per la struttura tipica delle reti di monitoraggio, che ben si prestano alla modellazione mediante strutture a grafo, risulta interessante testare l'efficacia di alcuni recenti strumenti, come le GCN, per queste specifiche finalità.
In questa proposta l'obiettivo è quello di sviluppare architetture neurali innovative, in grado di adattarsi alle problematiche caratteristiche legati alle energie rinnovabili. In particolare, si propone di combinare reti di diversa natura, come ad esempio le CNN con le RNN per l'estrazione di features in termini sia spaziali sia temporali. Si propone anche di applicare tecniche avanzate come la layer normalization, meccanismi di attenzione o algoritmi genetici per migliorare le performance di questi modelli.
Inoltre, particolare interesse è rivolto alle reti neurali specifiche per grafi (GCN) che non sono mai state applicate nel contesto degli impianti rinnovabili, nonostante rappresentino uno strumento decisamente potente nelle reti di sensori.
[1] Wang, H., Lei, Z., Zhang, X., Zhou, B. and Peng, J., 2019. A review of deep learning for renewable energy forecasting. Energy Conversion and Management, 198, p.111799.