Nel 1882 Thomas Edison aprì la prima centrale elettrica commerciale della storia a Pearl Street, Manhattan. Alimentò 59 clienti con corrente continua attraverso una rete di cavi in rame interrati. La rete era semplice perché semplice era il problema. Produzione centralizzata, flusso unidirezionale, domanda sostanzialmente prevedibile. Cent’anni dopo, quella logica è rimasta intatta in buona parte delle infrastrutture elettriche mondiali. Oggi quella logica è diventata insufficiente.
La penetrazione crescente delle fonti rinnovabili ha reso strutturale l’intermittenza della generazione. Un parco fotovoltaico eroga energia in funzione dell’irraggiamento solare, un parco eolico in funzione del vento. Nessuno dei due risponde agli ordini del gestore di rete, e nessuno dei due produce con continuità. In Germania, nel 2023, le rinnovabili hanno coperto il 59% del consumo elettrico lordo, con oscillazioni di produzione che in alcune giornate hanno raggiunto variazioni di 30 GW in poche ore. Gestire questi gradienti con strumenti di controllo tradizionali è fuori portata.
L’intelligenza artificiale entra in questo contesto come componente abilitante. Il problema fondamentale di una smart grid è bilanciare in tempo reale produzione e consumo su una rete distribuita. Migliaia di punti di immissione e prelievo, latenze di pochi secondi e vincoli fisici stringenti sulla frequenza di rete. In Europa, ENTSO-E fissa il range operativo nominale tra 49,8 e 50,2 Hz, e scostamenti oltre questa soglia attivano procedure di emergenza. Mantenere questo equilibrio con fonti intermittenti richiede capacità predittiva e reattività che i sistemi di controllo classici, basati su regole fisse, non riescono a garantire a scala.
I modelli di machine learning applicati alla previsione della domanda, lavorano su serie temporali. Integrano dati storici di consumo, variabili meteorologiche, calendario festivo, prezzi dell’energia sul mercato spot. Dove disponibili, dati comportamentali aggregati degli utenti finali. Il risultato è una distribuzione probabilistica della domanda . Intervalli di confidenza che, il sistema di controllo, usa per programmare con anticipo le risorse di flessibilità. Studi pubblicati su riviste come Applied Energy, mostrano errori di previsione a 24 ore inferiori al 2% su reti urbane di media dimensione, con architetture LSTM e trasformatori addestrati su dati pluriennali.
Sul lato della produzione rinnovabile, i modelli numerici di previsione meteorologica vengono combinati. Sensori installati localmente su impianti eolici e fotovoltaici per correggere in tempo reale le previsioni di generazione. Questo processo, noto come nowcasting, consente di aggiornare la stima di produzione con un orizzonte di 15-30 minuti. Una precisione significativamente superiore rispetto ai modelli puramente numerici. Operatori come Ørsted in Danimarca e RTE in Francia, hanno integrato questi sistemi nei propri centri di controllo. Hanno ridotto la necessità di riserva di potenza a caldo. Storicamente rappresenta uno dei costi operativi più rilevanti nella gestione di una rete con alta penetrazione eolica.
I trasformatori di potenza, le linee di trasmissione ad alta tensione e gli interruttori di manovra sono asset con vita utile di decenni. Sono soggetti a degradazione progressiva che può evolvere in guasto catastrofico senza segnali visibili all’ispezione periodica. Sensori di temperatura, vibrazione, qualità dell’olio dielettrico e correnti di dispersione, generano flussi continui di dati. Gli algoritmi di anomaly detection analizzano per identificare pattern precursori di guasto.
L’obiettivo è anticipare i guasti con un margine sufficiente a programmare l’intervento senza impatto sul servizio. I guasti in un sistema reale rimangono inevitabili, e, la capacità predittiva sposta il problema dalla gestione dell’emergenza alla pianificazione dell’intervento.
Il sistema Vehicle-to-Grid merita una trattazione separata, che ho in programma per un articolo dedicato. L’integrazione di veicoli elettrici come accumulatori bidirezionali sulla rete introduce una risorsa di flessibilità diffusa e capillare, gestibile tramite AI in modo coordinato. Un parco di 10.000 veicoli elettrici con una capacità media di 50 kWh e uno stato di carica del 60%, dispone teoricamente di 300 MWh di energia mobilizzabile in pochi minuti. Un valore paragonabile a quello di un impianto di accumulo stazionario di scala industriale.
Esistono già reti operative che integrano questi principi. La microgrid di Porto Santo, isola dell’arcipelago della Madeira, combina generazione fotovoltaica, accumulo stazionario e algoritmi di controllo in tempo reale per coprire quote rilevanti del fabbisogno elettrico locale senza dipendenza continuativa dalla centrale termica convenzionale. Austin, in Texas, ha sviluppato nell’arco di un decennio una rete intelligente che integra smart meter su oltre 500.000 utenze, con sistemi di demand response automatizzati e previsione di carico basata su machine learning.
La Danimarca copre mediamente il 50% del consumo elettrico nazionale con energia eolica, con picchi che superano il 100% della domanda interna, e gestisce questi eccessi tramite esportazione automatizzata e modulazione in tempo reale della produzione.
La superficie di attacco informatico di una smart grid è enormemente più estesa rispetto a una rete tradizionale. Ogni sensore connesso, ogni sistema di comunicazione, ogni nodo di controllo remoto è un potenziale punto di ingresso per un attacco. Il NIST e l’ENISA hanno entrambi pubblicato framework specifici per la cybersecurity delle infrastrutture energetiche critiche, ma l’implementazione uniforme di questi standard nelle reti reali, spesso caratterizzate da componenti legacy con decenni di anzianità, rimane un problema aperto. I costi di infrastruttura per la digitalizzazione capillare della rete sono nell’ordine delle centinaia di miliardi di euro su scala europea, con ritorni difficilmente monetizzabili nel breve periodo da parte degli operatori di rete tradizionali.
La direzione è definita. L’AI nelle smart grid è una realtà operativa in espansione, con applicazioni già in produzione su reti reali, risultati misurabili e un corpo crescente di letteratura tecnica che ne documenta le prestazioni. I problemi aperti, dalla cybersecurity all’interoperabilità tra sistemi legacy e infrastrutture digitali, sono reali. Le reti elettriche che sapranno integrare rinnovabili in modo stabile, anticipare i guasti e rispondere in tempo reale alla variabilità della domanda richiederanno questi strumenti come infrastruttura ordinaria. Il resto è questione di tempi e risorse. L.L.
