The e-magazine for KNX home & building control

Energy Management: sviluppo di un gestore di energia intelligente assistito dall’AI

Jan Derua descrive il motivo per cui l’Università di Scienze Applicate Thomas More ha sviluppato un gestore di energia intelligente smart energy manager assistito dall’intelligenza artificiale e come è stato fatto.

L’Università Thomas More di Scienze Applicate è la più grande università di scienze applicate delle Fiandre, in Belgio, ed è distribuita in otto sedi. Al Campus De Nayer di Sint-Katelijne-Waver abbiamo corsi di Elettromeccanica, Tecnologia automobilistica, Tecnologia di progettazione e produzione ed Elettronica/ICT. Siamo un centro di formazione certificato KNX e un partner scientifico KNX, e svolgiamo attività di ricerca e sviluppo in diverse aree, compresi i sistemi embedded, come KNX.

Università Thomas More di Scienze Applicate – Campus De Nayer.

Qualche anno fa, l’operatore fiammingo di distribuzione dell’energia ha deciso di sostituire i tradizionali contatori analogici con contatori digitali. Sebbene questi contatori siano chiamati “contatori intelligenti”, sono dotati solo di una porta di comunicazione che consente il recupero digitale dei dati di misurazione. I prodotti prontamente disponibili per rendere questi contatori effettivamente intelligenti e per gestire i flussi di energia sono quasi tutti sistemi di monitoraggio che si limitano a rendere visibili i consumi, non sono veri e propri sistemi di gestione dell’energia. Pertanto, sono necessari veri e propri sistemi di gestione dell’energia, integrati dall’intelligenza artificiale, che rendano questi contatori veramente intelligenti e in grado di autoapprendere. E poiché la gestione dell’energia richiede un buon sistema di comunicazione tra sensori, attori e controllori, KNX è l’ovvio protocollo di scelta.

Ambito del progetto

L’obiettivo finale è quello di arrivare a uno Smart Energy Manager assistito da AI che permetta di controllare il maggior numero possibile di tecnologie e dispositivi in un ambiente residenziale. Questo gestore dovrebbe essere in grado di autoapprendere e di supportare l’utente nel raggiungimento di un consumo energetico razionale senza troppe preoccupazioni. L’intenzione è quella di poterlo integrare sia nelle situazioni nuove che in quelle già esistenti, senza la necessità di apportare molte modifiche all’impianto e senza un grande impatto finanziario. Inoltre, il progetto non si limita solo ai flussi di energia elettrica, perché molta energia può essere tamponata e incanalata anche a livello termico.

L’aasem (AI Assisted Smart Energy Manager) sviluppato dall’Università di Scienze Applicate Thomas More.

Progettazione e implementazione

Per la comunicazione con il bus KNX, il progetto è stato dotato di un chip sviluppato in Belgio, l’ONSEMI NCN5130. Lo stack KNX è stato quindi sviluppato internamente.

L’intenzione è quella di poter visualizzare e controllare tutte le applicazioni già presenti nell’abitazione. Ad esempio, l’inverter solare, lo scaldacqua solare, la pompa di calore, le spine intelligenti e così via, senza richiedere investimenti aggiuntivi.

Abbiamo scelto di lavorare con una distribuzione Linux personalizzata su un hardware industriale affidabile. Infatti, per motivi di affidabilità e durata, le soluzioni con Raspberry Pi o Arduino non sono le opzioni migliori. Per un’integrazione robusta e dinamica sono state utilizzate immagini Bare Metal e Docker, mentre la programmazione è possibile tramite Node Red, la registrazione dei dati è basata su Influx e Grafana è utilizzato per la visualizzazione. Questo permette ogni tipo di integrazione possibile.

La piccola fabbrica di PCB dell’Università Thomas More di Scienze Applicate, Campus De Nayer.

Vantaggi dell’IA

L’uso dell’intelligenza artificiale consente di rendere la casa intelligente senza bisogno di programmazione aggiuntiva o di intervento umano. L’hardware a bordo è predisposto per l’IA, il che significa che non è necessaria una connessione a Internet per l’elaborazione dell’IA. Solo le previsioni del tempo e la previsione della produzione di energia dei pannelli solari richiedono una connessione a Internet. La parte AI è ancora in fase di sviluppo e deve essere testata ulteriormente, ma stiamo già ottenendo buoni risultati tramite Node Red.

Casi di prova

Abbiamo sviluppato tre casi di test. Il primo riguarda una casa di nuova costruzione abbastanza grande e quasi neutrale dal punto di vista energetico. Qui sono stati integrati i pannelli fotovoltaici e la pompa di calore, oltre a una batteria per l’accumulo di energia. In questo caso, l’attenzione è rivolta all’ottimizzazione dei flussi energetici e soprattutto alla limitazione dei picchi di consumo, poiché la tariffazione nelle Fiandre dipende in parte dalla tariffa di capacità.

Per il momento, nei mesi di settembre e ottobre scorsi, si è ottenuto un risparmio sui costi energetici di circa 370 euro grazie alla gestione dell’energia e all’aumento dell’autoconsumo, e un altro risparmio di circa 10 euro al mese grazie alla riduzione dei picchi e all’evitamento della tariffa di capacità.

Il secondo caso di prova riguarda una vecchia casa in cui sono stati installati pannelli fotovoltaici, un sistema a pellet di legno per il riscaldamento e l’acqua calda sanitaria e una batteria per l’accumulo di energia. Il controllo avviene tramite il nostro dispositivo aasem, combinato con l’installazione KNX. Al momento non disponiamo di dati sufficienti per pubblicare i risparmi sui costi di questa installazione, ma ci aspettiamo che siano notevoli nel corso dell’anno.

Il terzo caso di prova riguarda il laboratorio di formazione e ricerca KNX, che è stato equipaggiato con pannelli fotovoltaici combinati con una batteria da 7,5 kWh e una stazione di ricarica EV. Grazie al controllo, il laboratorio è autosufficiente.

La configurazione di prova FV/batteria/EV.

Oltre al risparmio energetico e al controllo confortevole, i tre casi di test forniscono una massa di dati che consentono un’ulteriore formazione e ottimizzazione dell’intelligenza artificiale.

Sintesi

Il risultato dell’utilizzo del nostro dispositivo aasem è molto soddisfacente sia in termini di funzionamento che di acquisizione dei dati. La mole di dati che è stata e sarà acquisita permette di ottimizzare ulteriormente la parte di IA. Il design del modulo consente una facile integrazione in un quadro di distribuzione standard e consuma pochissima energia. In termini di sviluppi futuri, stiamo pensando di espandere ulteriormente il dispositivo con KNX RF e di implementare lo stack KNX Secure.

Jan Derua MSc è professore e ricercatore presso l’Università di Scienze Applicate Thomas More, tutor certificato KNX e membro del consiglio di amministrazione di KNX Belgio.

www.thomasmore.be

Condividi su facebook
Share
Condividi su twitter
Tweet
Condividi su linkedin
Share

SPONSORS