L’ottimizzazione dei consumi energetici passa attraverso l’analisi e l’interpretazione di una mole sempre più ingente di dati, anche in rapporto ai diversi processi produttivi.

Argomenti in primo piano:

  1. L'APPROCCIO DATA DRIVEN
  2. IL MACHINE LEARNING E LA GESTIONE DEL FABBISOGNO
  3. PREDICTIVE ENERGY ANALYTICS: SAVEMIXER

Finanza, sanità pubblica, politica, comunicazione: in ogni settore l’analisi di grandi quantità di dati è fondamentale, non solo per monitorare e descrivere determinati processi, ma anche per predirne l’andamento futuro. L’energia non fa eccezione, anzi, grazie alla possibilità di raccogliere e misurare questi dati, dalla produzione al consumo, oggi possiamo parlare di digital energy. Questo termine nasce dalla possibilità di applicare tecnologie sempre più avanzate lungo tutta la filiera energetica: sensori e IoT tra le pareti domestiche o nei processi industriali e sistemi hardware e software per il monitoraggio e l’analisi dei dati di produzione e consumo. Questi costituiscono anche l’architettura di un approccio data driven, essenziale per una reale ottimizzazione dell’energia che non è semplice risparmio energetico ottenibile ad esempio attraverso l’utilizzo di strumenti meno energivori, ma un intervento più complesso e capillare rispetto all’insieme dei processi. Questo intervento permette di avere un modello energetico di riferimento a cui tendere, con un conseguente efficientamento energetico che avrà come risultato un risparmio economico e una riduzione delle emissioni di CO2.

L'APPROCCIO DATA DRIVEN

Con cultura data driven, dal punto di vista aziendale, si intende un approccio all’intero business basato sull’analisi dei dati. Questo quindi è un metodo generale che si applica in diversi ambiti: da quello ad esempio finanziario e del marketing, fino a quello della gestione dell’energia impiegata nei processi produttivi. Per quanto riguarda quest’ultimo punto, i dati raccolti grazie a strumenti di monitoraggio e analizzati attraverso specifici software possono diventare essenziali per individuare sprechi e malfunzionamenti, ma anche per gestire in modo più efficiente le filiere produttive, con risparmi che possono diventare ingenti senza la necessità di sostituire macchinari e strutture.

IL MACHINE LEARNING E LA GESTIONE DEL FABBISOGNO

Mentre il monitoraggio dei soli consumi è utile per avere il dato in valore assoluto di quanta energia i processi di efficientamento energetico hanno permesso di risparmiare, un approccio data driven complessivo permette di normalizzare tali consumi rispetto alle variabili al contorno che si possono via via considerare come, ad esempio, i volumi di produzione o le condizioni climatiche esterne. Combinare produzione, consumo e conseguente gestione dei carichi in tempo quasi reale, è il compito demandato ad algoritmi predittivi che possono essere efficacemente sfruttati dall’energy manager in base ai risultati che si vogliono ottenere.

PREDICTIVE ENERGY ANALYTICS: SAVEMIXER

I Predictive Analytics sono le soluzioni di data intelligence, quindi di interpretazioni dei big data, che consentono di calcolare le probabilità che accada un certo evento facilitando l’adozione delle misure necessarie per raggiungere un determinato obiettivo. Attraverso il machine learning si è in grado di aumentare l’accuratezza di tali elaborazioni. Savemixer è il sistema integrato di energy intelligence messo a punto da Seaside per prevedere, gestire e ottimizzare i consumi aziendali. Il software è in grado di analizzare i dati energetici di un’azienda stabilendo la energy baseline, cioè i valori di consumo di riferimento. Questo permette di creare un modello ideale sulla base della situazione attuale e reale dei processi di lavorazione. Tale analisi, centrale per poter arrivare a una reale ottimizzazione, viene realizzata grazie all’intervento di un team di Data Scientist ed esperti di efficienza energetica che adattano il software alle specifiche esigenze del cliente. Il lato più innovativo della soluzione è proprio nell’integrazione tra il sistema di monitoraggio energetico e i dati relativi a tutti i flussi di lavoro aziendali provenienti da Enterprise Resource Planning (ERP), Business Intelligence (BI), Material Requirements Planning (MRP) e Manufacturing Execution System (MES). In questo modo il percorso di efficienza energetica risulta perfettamente tarato sulla singola realtà aziendale e sui diversi modelli di business, consentendo al software di intervenire direttamente sui comportamenti in atto e di misurare in maniera puntuale i saving energetici ottenuti da eventuali interventi impiantistici. Il risparmio attraverso una soluzione di questo tipo può arrivare fino al 20% del consumo energetico, valore che per le aziende energivore rappresenta una parte importante del bilancio economico e di sostenibilità.

Tags