I sistemi energetici possono essere incredibilmente complessi, combinando una vastissima gamma di generatori, tecnologie di distribuzione e utenti finali – e analizzare come tutte queste variabili cambieranno in futuro rappresenta una sfida notevole per la pianificazione a lungo termine. Un nuovo metodo migliora la modellizzazione computazionale di questi sistemi, offrendo ai decisori politici nuovi strumenti per capire quali variabili hanno l’impatto maggiore e meritano quindi una particolare attenzione.

Per approfondire questo progresso e la sua importanza, abbiamo parlato con Anderson de Queiroz, co-autore dell’articolo che descrive la scoperta e professore associato di ingegneria civile, delle costruzioni e ambientale alla NC State University. L’articolo “A framework for global sensitivity analysis in long-term energy systems planning using optimal transport” è stato pubblicato in open access sulla rivista Energy.

Matt Shipman: Domanda preliminare – quando parliamo di sistemi energetici e di pianificazione dei sistemi energetici, di cosa stiamo parlando? Che cos’è un sistema energetico?

Anderson de Queiroz: Si può pensare a un sistema energetico come all’intera catena di approvvigionamento che fornisce energia a persone, edifici, trasporti e industria. Include le risorse (come vento, solare, carbone o gas naturale), le tecnologie di conversione (come turbine, generatori e pannelli fotovoltaici), le reti di trasmissione, gli stoccaggi e le domande finali. Tutti questi elementi sono collegati tra loro da regole tecniche, economiche e politiche. Pianificare un sistema energetico significa decidere cosa costruire, quando e dove, e come farlo funzionare nel tempo, affinché si possano soddisfare i bisogni energetici della società in modo affidabile, conveniente e sostenibile.

Shipman: Tu e i tuoi co-autori siete esperti nella modellizzazione dei sistemi energetici. Che cosa sono questi modelli e come vengono utilizzati nel contesto dei sistemi energetici?

de Queiroz: Sono modelli di ottimizzazione che possono essere utilizzati per individuare i modi meno costosi per costruire, mantenere e far funzionare i sistemi energetici in modo da soddisfare le domande finali di servizi, rispettando al tempo stesso i vincoli regolatori. In termini tecnici, si può dire che i modelli identificano “percorsi di investimento e operativi a costo minimo soggetti a vincoli ingegneristici e politici”.

Gli analisti utilizzano questi modelli per eseguire scenari “what-if” che considerano variabili come prezzi dei combustibili, costi tecnologici e politiche sul carbonio. Possiamo testare come il sistema costruirebbe e opererebbe sotto ogni possibile scenario. Il modello TEMOA (Tools for Energy Model Optimization and Analysis) è un noto esempio open-source, sviluppato qui alla NC State, e utilizzato su scala regionale, nazionale e multi-regionale da ricercatori e analisti di tutto il mondo.

Shipman: Con quale modello avete lavorato in questo progetto e qual era il problema che volevate affrontare?

de Queiroz: Questo articolo applica un framework di analisi di sensitività ai modelli di ottimizzazione dei sistemi energetici. Infatti, i modelli di pianificazione a lungo termine hanno molti input incerti – per esempio, è impossibile sapere quali saranno in futuro i costi tecnologici, la qualità delle risorse, la crescita della domanda o le politiche. Abbiamo sviluppato un framework che permette di capire quali di questi input determinano effettivamente gli impatti maggiori su risultati come i costi energetici, lo sviluppo di capacità e il mix energetico. I decisori possono usarlo per identificare quali aree di incertezza contano di più.

Shipman: In che modo questi risultati rendono più utili i modelli di ottimizzazione dei sistemi energetici?

de Queiroz: In termini generali, direi in tre modi:

1. Possiamo progettare scenari più utili. Se sappiamo quali variabili sono più importanti, possiamo concentrarci sugli input che dominano i risultati.
2. Raccolta dati più mirata. Se la domanda elettrica, il CAPEX del gas naturale o i prezzi delle materie prime dominano il rischio, possiamo concentrare gli sforzi nel raccogliere dati migliori o proiezioni più dettagliate.
3. Decisioni più trasparenti. Possiamo spiegare meglio ai non esperti perché un modello offre risultati affidabili su un determinato piano, aumentando la fiducia sia nel modello sia nel piano stesso.

Shipman: L’articolo analizza sistemi energetici su scala globale, ma si concentra anche sull’Italia. Perché?

de Queiroz: Serve un sistema concreto per dimostrare il metodo. Nel 2023 abbiamo avviato una collaborazione con il Politecnico di Torino nell’ambito della pianificazione energetica di lungo periodo. Matteo Nicoli, allora dottorando, è venuto ad NC State a lavorare con me su questo tema e insieme abbiamo sviluppato un’analisi del sistema italiano utilizzando TEMOA. Matteo ha poi completato il suo dottorato – il suo lavoro era focalizzato sullo sviluppo di metodologie per la pianificazione energetica di lungo termine, avendo il sistema energetico italiano come casu studio – e ho avuto il piacere di essere il suo co-supervisor insieme a Laura Savoldi del Politecnico di Torino.

L’Italia offre risorse diversificate, obiettivi politici ambiziosi e compromessi tecnologici tutt’altro che banali – rendendola un caso di studio eccellente per mostrare come l’approccio modellistico descritto nel nostro articolo possa essere applicato all’intera pianificazione nazionale con TEMOA. Quando abbiamo svolto il lavoro, c’erano preoccupazioni significative riguardo alla fornitura di gas naturale dalla Russia, creando grande incertezza sui costi energetici e sulla strategia nazionale di lungo termine.

In sostanza, l’Italia è un caso di studio ideale per mostrare come possiamo migliorare i modelli di ottimizzazione dei sistemi energetici e ricavarne informazioni cruciali su scala nazionale.

Shipman: Questo approccio può essere utilizzato anche da altri Paesi? E da realtà più piccole, come gli Stati federati?

de Queiroz: Sì, assolutamente. Il framework è sufficientemente indipendente dal modello da poter essere applicato ad altri dataset TEMOA (stati, ISOs, città) e, concettualmente, anche ad altri modelli di pianificazione energetica di lungo termine. Gli output che interessano alle persone (costo, mix di capacità, emissioni) sono gli stessi; basta inserire la geografia e le ipotesi rilevanti.

Shipman: Quali sono i prossimi passi? Come questo lavoro ci fa avanzare?

de Queiroz: Ci sono diverse direzioni future, ma ne evidenzierò due che ritengo particolarmente importanti oggi.

Primo, possiamo utilizzare ciò che abbiamo appreso sugli input più rilevanti per progettare strategie robuste volte a migliorare i sistemi energetici. Invece di limitarci a sapere che certi parametri influenzano costi o emissioni, possiamo usare queste informazioni per testare meglio come diverse politiche o percorsi di investimento si comportano in scenari differenti. Questo permetterà a pianificatori e analisti di sviluppare portafogli adattivi e resilienti, identificando decisioni che funzionano bene anche quando il futuro non si sviluppa come previsto.

Secondo, possiamo integrare questo nuovo approccio con modelli surrogati di machine learning. L’analisi di sensitività globale combinata con la pianificazione energetica può essere computazionalmente impegnativa per sistemi ampi e dettagliati. Collegare TEMOA a modelli surrogati basati sul machine learning (ad esempio, reti neurali o support vector machines) potrebbe accelerare l’esplorazione di migliaia di scenari incerti. Questi surrogati approssimerebbero le risposte del modello di ottimizzazione, consentendo agli analisti di mappare rapidamente sensitività e robustezza su uno spazio di incertezza molto più ampio.