Nel nostro mondo sempre più dipendente dall’energia, un’efficiente gestione dell’energia negli ospedali, ed in generale nelle grandi strutture, è diventata più cruciale che mai.  Essendo gli edifici responsabili di circa il 40% del consumo energetico totale europeo e di più di un terzo delle emissioni di CO₂ in Europa e, fra di essi, gli ospedali tra i maggiori consumatori energetici, sono essenziali soluzioni innovative per una gestione dell’energia più intelligente. È qui che entrano in gioco le Reti Neurali Artificiali (ANNs).

La Crescente Necessità di Soluzioni Energetiche Intelligenti

L’impegno per raggiungere gli obiettivi energetici europei —un miglioramento dell’efficienza energetica e una riduzione delle emissioni di gas serra—ha intensificato la ricerca di strategie di gestione energetica più efficaci. I Building Management Systems (BMS) sono al centro di questa rivoluzione energetica, aiutando ad ottimizzare l’uso dell’energia ed a ridurre i costi in strutture complesse come gli ospedali. Tuttavia, affinché questi sistemi siano veramente efficaci, è essenziale una previsione accurata del carico elettrico.

Che cos’è il Load Forecasting e Perché è Importante?

Il Load Forecasting implica la previsione del consumo energetico futuro ed è un aspetto cruciale sia per la gestione dell’energia che per le operazioni delle smart grids. In grandi strutture come gli ospedali, dove le attrezzature tecnologiche e mediche funzionano 24 ore su 24, 7 giorni su 7, prevedere l’uso dell’energia è fondamentale per garantire l’efficienza operativa e la convenienza economica. Con i progressi della tecnologia, diversi metodi sono stati utilizzati per la previsione del carico a breve termine, dalle tecniche di regressione ai modelli statistici, fino alle sempre più diffuse Reti Neurali.

Le ANNs stanno attirando l’attenzione per la loro adattabilità, facilità di implementazione e prestazioni impressionanti in scenari complessi. Nel nostro ultimo lavoro, ci siamo concentrati sull’utilizzo di un’ANN Multi-Layer Perceptron (MLP) per prevedere il consumo energetico del giorno successivo di un grande ospedale a Torino, Italia.

Caso Studio: La Clinica Cellini a Torino

La Clinica Cellini, parte del gruppo Humanitas Mirasole, è una grande struttura medica con un’impronta energetica significativa. La clinica si estende su 9.500 metri quadrati e funziona senza interruzioni, consumando quasi 3 milioni di kWh di elettricità all’anno. Per prevedere con precisione le esigenze energetiche della clinica, abbiamo raccolto dati dettagliati sul consumo energetico registrati ogni 15 minuti durante tutto il 2012. L’analisi ha rivelato tendenze stagionali notevoli, con l’uso energetico estivo che aumenta del 30% a causa della climatizzazione, mentre il consumo invernale rimane più basso.

Come Abbiamo Costruito il Nostro Modello ANN per la Previsione del Carico

Il nostro approccio ha utilizzato una Rete Neurale Multi-Layer Perceptron, addestrata utilizzando l’algoritmo di retropropagazione resiliente (RPROP). L’architettura dell’ANN era composta da uno strato di input, uno strato nascosto e uno strato di output, con un’attenzione particolare all’efficienza computazionale. Abbiamo selezionato con cura le variabili di input principali, testando due scenari: uno senza dati meteorologici (Caso A) e uno con informazioni sulla temperatura del giorno successivo (Caso B). In entrambi i casi, abbiamo esplorato diverse configurazioni delle funzioni di trasferimento, come tansig (tangente iperbolica sigmoide) e logsig (log sigmoide), per identificare la configurazione migliore per previsioni accurate.

Il nostro modello ha sfruttato i dati storici di consumo energetico, gli indicatori del giorno della settimana, i dati di carico precedenti e, nel Caso B, i dati di temperatura. Abbiamo diviso i dati annuali in set di addestramento e test, perfezionando l’ANN per ottenere risultati ottimali. Per tenere conto delle variazioni stagionali, abbiamo ulteriormente suddiviso i dati in quattro sottoinsiemi, addestrando il modello separatamente per ciascuna stagione per migliorare l’accuratezza.

Risultati Impressionanti: Previsioni con Elevata Precisione

I risultati sono stati promettenti. Il nostro modello ANN ha raggiunto un Errore Percentuale Medio Assoluto (MAPE) vicino al 7%, un risultato eccezionale considerando le fluttuazioni intrinseche nel consumo energetico ospedaliero. Anche durante i difficili mesi estivi, il modello ha performato bene, sebbene le previsioni dei picchi di carico abbiano avuto un tasso di errore leggermente più alto, al 9,5%. Sorprendentemente, l’aggiunta dei dati di temperatura nel Caso B non ha migliorato significativamente l’accuratezza, evidenziando i modelli di consumo unici degli ospedali, meno dipendenti dalle condizioni meteorologiche rispetto ad altri edifici.

Le metriche di errore del nostro modello, inclusa la CVRMSE (Coefficiente di Variazione della Radice dell’Errore Quadratico Medio), sono rimaste costantemente al di sotto dei limiti fissati dalla American Society of Heating, Refrigerating, and Air-Conditioning Engineers (ASHRAE). Inoltre, tramite l’utilizzo di metriche quali l’Errore Percentuale Massimo (MPE), il modello ha rilevato eventi anomali di utilizzo energetico, come un improvviso picco di consumo notturno, dimostrando il suo potenziale per il rilevamento di anomalie e il monitoraggio in tempo reale.

Perché Questo è Importante per il Futuro della Gestione dell’Energia negli Ospedali

La nostra ricerca dimostra che le ANNs possono essere strumenti potenti per la previsione del carico in grandi strutture ad alta intensità energetica come gli ospedali. Previsioni energetiche accurate consentono una migliore gestione dell’energia negli ospedali, aiutando a bilanciare i carichi di rete e ridurre il consumo complessivo. Questo approccio è cruciale man mano che ci avviciniamo a un futuro fatto di reti intelligenti e configurazioni di microreti.

Inoltre, il nostro metodo di previsione potrebbe essere facilmente integrato in un BMS, migliorando il monitoraggio energetico in tempo reale e supportando il processo decisionale. Perfezionando ulteriormente il nostro modello ANN per affrontare le variazioni tra giorni festivi e feriali ed esplorando diverse configurazioni degli strati nascosti, possiamo migliorare ulteriormente la precisione delle previsioni.

Guardando al Futuro

Sebbene il nostro modello ANN si sia dimostrato efficace, c’è sempre spazio per miglioramenti. Le future ricerche esploreranno l’ottimizzazione del numero di strati nascosti e la sperimentazione di modelli ANN specializzati per giorni feriali rispetto ai giorni festivi. Con la crescente complessità delle esigenze energetiche e l’impulso alla sostenibilità, tecniche di previsione avanzate come la nostra giocheranno un ruolo fondamentale nella gestione energetica efficiente degli edifici.

In conclusione, sfruttare le Reti Neurali Artificiali per la previsione energetica offre una via promettente verso un uso dell’energia più intelligente ed efficiente nelle grandi strutture. Man mano che continuiamo a perfezionare questi modelli, l’impatto sui risparmi economici e sui risultati ambientali potrebbe essere significativo, aprendo la strada a un futuro più sostenibile.

Per qualsiasi approfondimento, ti rimandiamo alla nostra pagina contatti.