Federated REinforcement learning come Soluzione di IA per le gestione dei flussi energetici delle comunità energetiche rinnovabili
Abstract
Progetti di ricerca in collaborazione fra Università/Enti di ricerca e altri soggetti pubblici o privati con l’obbiettivo di sostenere percorsi di alta formazione che integrino le conoscenze teoriche con le competenze realizzate in specifici contesti d’esperienza.
Project Name
FRESIA
Publication Year
2023
Coordinator
UNISI
Announcement name
Progetti di Alta Formazione attraverso l’attivazione di Assegni di Ricerca (Bando assegni di ricerca anno 2023)
Expected Duration
24 Months
120,000 €
Total cost project
93,600 €
Contribution paid
2
Total fellowship
Announcement description
Il progetto FRESIA fa leva sui risultati ottenuti dal progetto GEMMA (Nota 1) e si pone l’obiettivo di rendere affidabile ed efficace la transizione energetica dai combustibili fossili alle energie rinnovabili con particolare riferimento alle Comunità Energetiche Rinnovabili (CER). GEMMA ha affrontato il problema del controllo energetico negli edifici nell’ambito delle CER tramite lo sviluppo di algoritmi di Apprendimento Automatico basati sul Reinforcement Learning (RL) (Nota 2). Attraverso un’esaustiva analisi numerica dei risultati, con il progetto GEMMA si è dimostrata l’efficacia dell’approccio di RL proposto al fine di massimizzare il benessere comunitario (Social Welfare) di una CER di ridotte dimensioni. Con il progetto FRESIA si affronta la nascente sfida di scalare gli algoritmi rispetto alle dimensioni crescenti delle CER, che, sulla base di quanto osservato in altri Paesi, possono aumentare fino a decine di migliaia di unità. Sebbene siano stati ottenuti importanti risultati con il progetto GEMMA, la soluzione centralizzata precedentemente proposta presenta delle criticità implementative all’aumentare del numero di nodi appartenenti ad una CER. Il progetto FRESIA rappresenta il naturale proseguimento del progetto GEMMA e promette di superarne i limiti proponendo una soluzione distribuita basata sull’emergente tecnica dell’apprendimento federato, in particolare il Federated Reinforcement Learning (FRL). Il FRL permette a multipli nodi di condividere le proprie informazioni in modo anonimo (lato edge) per addestrare un singolo modello di apprendimento automatico (lato cloud). Il progetto FRESIA ha pertanto l’obiettivo di sviluppare e testare algoritmi basati su FRL per l’ottimizzazione energetica nell’ambito delle CER, garantendo l’anonimato dei dati degli utenti CER e la scalabilità degli algoritmi grazie all’architettura distribuita edge-cloud. L’obiettivo sarà conseguito attraverso un processo graduale che muove dal test di algoritmi di apprendimento automatico su CER di piccole dimensioni per poi passare alla transizione verso il modello federato all’aumentare della dimensione della comunità. L’obiettivo finale sarà quello di gestire i flussi energetici delle CER in tempo reale per massimizzare la quota d’uso di fonti di energia rinnovabili e al tempo stesso rendere resiliente la rete elettrica evitando sovraccarichi e relativi back-out. Ciò sarà reso possibile grazie all’utilizzo di algoritmi di FRL distribuiti tra i nodi della comunità attraverso appositi kit hardware/software.
Parole chiave:
COMUNITÀ ENERGETICHE RINNOVABILI, FEDERATED REINFORCEMENT LEARNING, INTEGRAZIONE CLOUD-EDGE
