Energia: intelligenza artificiale a servizio di interventi di efficientamento sempre più efficaci

Per validare l’efficacia di questa nuova tecnologia, il team di esperti dell’Agenzia ha scelto come caso studio la Regione Umbria, un contesto locale ma ben rappresentativo della situazione nazionale, dove quasi l’84% degli immobili è stato costruito prima degli anni ’90, ha una superficie utile compresa tra i 60 e i 150 m² ed è dotata per lo più di impianti autonomi alimentati a gas naturale.

Una volta stimata la domanda energetica totale[1] del parco edilizio della Regione, i ricercatori ENEA hanno sviluppato una rete neurale artificiale[2], ossia un modello avanzato di elaborazione dati, capace di simulare i consumi energetici del patrimonio edilizio, in un intervallo temporale di 25 anni, e applicando sei diverse strategie di efficientamento energetico[3]. “In alcuni contesti, come quello umbro, gli interventi combinati su involucro e impianti, anche se più onerosi e dunque realizzabili su un numero limitato di edifici, permettono risparmi energetici più significativi rispetto a quelli derivanti da singoli interventi, come la sostituzione degli infissi, anche se replicati su molti più edifici”, spiega Iole Nardi, ricercatrice del Laboratorio ENEA di Efficienza energetica negli edifici e sviluppo urbano.

A partire dai primi risultati, gli esperti ENEA hanno deciso di continuare a mettere alla prova l’intelligenza artificiale, utilizzando le previsioni energetiche elaborate per individuare gli edifici da riqualificare in relazione anche al contesto climatico; il risultato è stato un aumento del risparmio energetico ottenibile (fino al 23%), grazie agli interventi sul patrimonio edilizio più energivoro della Regione e una riduzione complessiva della domanda energetica del settore pari al 13%.

“Questi risultati confermano le enormi potenzialità dell’intelligenza artificiale e, in particolare, delle reti neurali artificiali come sofisticato strumento di elaborazione dati e di analisi energetiche previsionali. La loro capacità di simulare il comportamento del cervello umano gli permette di “apprendere” attraverso l’esperienza; la AI, infatti, non viene programmata, ma “addestrata” ad eseguire compiti sempre più complessi attraverso un processo di apprendimento basato su dati empirici, come quelli che abbiamo utilizzato per questo studio in cui sono state elaborate anche informazioni contenute negli Attestati di Prestazione Energetica”, sottolinea Domenico Palladino, ricercatore del Laboratorio efficienza energetica negli Edifici e Sviluppo Urbano di ENEA.

In Italia l’edilizia è uno dei settori più energivori, con circa il 40% della domanda energetica totale e un incremento dei consumi dello 0,6% solo nel 2019. Negli ultimi anni sono state adottate numerose strategie di efficientamento del parco edilizio, finalizzate a raggiungere una riduzione energetica di 25,5 Mtep entro il 2020, obiettivo conseguito solo parzialmente dal momento che tra il 2014 e il 2019 è stato raggiunto un risparmio di 17,6 Mtep.

Domenico Palladino, ENEA – Laboratorio di Efficienza energetica negli edifici e sviluppo urbano, 

Iole Nardi, ENEA - Laboratorio di Efficienza energetica negli edifici e sviluppo urbano,

“Tool for supporting local energy strategies: forecasting energy plans with Artificial Neural Network in Umbria Region”

[1] Il consumo energetico totale dell’intero parco edilizio ammonta a circa 870mila tonnellata equivalente di petrolio, che corrispondono a un consumo medio per abitazione pari a 206 kWh/m2

[2] La rete neurale è stata addestrata adottando un’architettura costituita da tre strati (uno di input, uno intermedio e uno di output) in cui il numero di neuroni impiegato nello strato intermedio (13 neuroni), desunto a seguito di un’analisi di sensitività, è quello che ha restituito una A.I. più affidabile, caratterizzata cioè da un valore di Regressione di 0.998 e un errore medio normalizzato di ±0.02, corrispondente ad un errore quadratico medio di 4.195·10^-5.

[3] Sostituzione degli infissi (Uw pari a 1.30 W/m2 K); sostituzione del generatore con uno a condensazione; sostituzione del generatore con una pompa di calore idronica; realizzazione dell’isolamento a cappotto e simultanea sostituzione degli infissi; realizzazione dell’isolamento a cappotto, sostituzione degli infissi e sostituzione del generatore di calore con uno a condensazione; realizzazione dell’isolamento a cappotto, sostituzione degli infissi e sostituzione del generatore di calore con una pompa di calore idronica.