Ultimi Comunicati Stampa

Redazione ufficio stampa

Leggi gli ultimi comunicati stampa e naviga nell'archivio dell'Ufficio Stampa del Gruppo TIM. Leggi i comunicati

Dati, Cloud e Intelligenza Artificiale insieme alle competenze di dominio dell’energy management sono la ricetta vincente per migliorare ancora di più le prestazioni energetiche delle centrali telefoniche TIM e muovere i primi passi verso un approccio data-driven nel campo del monitoraggio ed ottimizzazione dei consumi energetici.

Scarica il PDF

Down

IA per il saving energet ...

981 KB

I cambiamenti climatici, la grande fluttuazione dei mercati energetici e una forte sensibilità ai temi ambientali, soprattutto delle nuove generazioni, spingono sempre di più ad un’attenta osservazione e ottimizzazione dei consumi energetici. Lo facciamo comunemente tutti noi nelle nostre abitazioni: siamo diventati molto attenti ai consumi degli elettrodomestici in fase di acquisto, alla scelta di sorgenti a basso consumo per la nostra illuminazione domestica fino ad arrivare ai più virtuosi che auto-producono energia da fonti rinnovabili rendendo concreta la possibilità di creare comunità energetiche. Da sempre TIM, secondo consumatore energetico nazionale dopo le ferrovie, è attenta al monitoraggio e ottimizzazione dei consumi energetici: dal 2013 si certifica secondo lo standard ISO 50001 [1], il che significa che si è dotata di un metodo, riconosciuto a livello internazionale, per ottimizzare i consumi. In questo contesto sono stati realizzati numerosi progetti di efficientamento, installazione di impianti di autoproduzione, interventi sui siti più energivori con il supporto e la continua formazione dei tecnici sul territorio. Oltre a queste iniziative, nel corso degli anni si è acquisita sempre più consapevolezza dell’enorme valore dei dati energetici che, grazie anche alle potenzialità dell’Intelligenza Artificiale, più precisamente del Machine Learning, riescono a descrivere i comportamenti energetici e a fornire un aiuto concreto per l’ottimizzazione dei consumi. I dati sono il punto da cui siamo partiti, interrogandoci su quali siano i più importanti per descrivere il consumo energetico e per identificare eventuali margini di miglioramento. Al tavolo di lavoro sono stati radunati esperti di dati ed algoritmi, di ottimizzazione e acquisto dell’energia, di manutenzione dell’infrastruttura TIM, di gestione degli edifici insieme ai colleghi di architetture, ingegneria e piattaforme IT, dove le soluzioni saranno sviluppate e messe in esercizio. Un prezioso supporto è stato anche fornito tramite le collaborazioni con l’Energy Center del Politecnico di Torino e il dipartimento di Ingegneria Industriale dell’Università di Salerno.
Occorre precisare che il progetto si concentra al momento prevalentemente sui siti ad uso industriale, con particolare riferimento alle centrali di rete fissa, dove i consumi non sono influenzati dalla presenza di personale. In tali siti il bilancio energetico [2] , descritto in Fig.1, può essere semplificato e descritto attraverso la seguente formula :

Etot=Etlc+Eclc+Ediss+Eaux

Dove:
Etot è l’energia totale del sito (consumo al contatore), Etlc è l’energia necessaria per il funzionamento degli apparati di telecomunicazioni, Eclc è l’energia dedicata al raffrescamento del sito, Ediss è la dissipazione dell’energia nei processi di conversione (rendimento degli apparati) ed Eaux è il consumo degli ausiliari (es. ascensori, luci, pc, ...).

Gli ultimi due termini sono considerati trascurabili rispetto ai primi per cui il principale consumo energetico di una centrale si può approssimare a

Etot≈Etlc+Eclc

Inoltre, peculiarità delle centrali di rete fissa è il consumo pressoché costante nel tempo delle apparecchiature di telecomunicazioni, a meno di dismissioni o nuove installazioni.

Figura 1: Componenti del bilancio energetico di una centrale telefonica

Clicca qui per ingrandire l'immagine

La componente importante su cui fare il monitoraggio e l’ottimizzazione è quindi, in questo contesto, la parte necessaria per il raffrescamento che dipende fortemente dalle condizioni meteo, in particolar modo dalla temperatura esterna. A valle di queste considerazioni il gruppo di lavoro ha deciso di concentrare la prima analisi sulle due principali tipologie di dati che descrivono il consumo energetico di un sito, ovvero il consumo totale del sito stesso e le condizioni meteo esterne.

Il Cloud come abilitatore e il modello MLOps

In parallelo si è lavorato alla definizione dell’architettura IT ottimale per consentire lo sviluppo e il rapido deploy di una soluzione di Artificial Intelligence (AI) in ambiente di esercizio. Un fattore chiave è stato l’adozione di una soluzione Cloud based, in grado di offrire potenza di calcolo su richiesta, scalabilità immediata e supporto per algoritmi iterativi e dinamici su grandi set di dati, assicurando allo stesso tempo strumenti di monitoraggio per il controllo dei consumi e il contenimento dei costi. Grazie all’adozione del Cloud, secondo l’architettura descritta in Fig.2, è stato possibile rilasciare molto velocemente una piattaforma in grado di abilitare funzionalità di Machine Learning (ML) basate su reti neurali per sviluppare modelli predittivi.

Figura 2: Architettura Cloud-based

Clicca qui per ingrandire l'immagine

Le macro-fasi di un processo di Machine Learning possono essere sintetizzate come riportato di seguito e illustrato in Fig.3:

  • estrazione e analisi dei dati funzionali all’attività di Machine Learning;
  • preparazione dei dati, inclusa la pulizia, la convalida e i test;
  • addestramento del modello mediante algoritmi implementati dai data scientist (training);
  • valutazione della qualità del modello su un set di dati di test e sua convalida per verificare le prestazioni predittive rispetto ad una base di riferimento;
  • pubblicazione del modello convalidato in un ambiente target a fini predittivi (prediction);
  • monitoraggio delle prestazioni del modello, con eventuale innesco di iterazioni successive.

Figura 3: Processo di Machine Learning

Clicca qui per ingrandire l'immagine

Un aspetto su cui ci si è focalizzati è la data quality. La celebre citazione “Garbage In, Garbage Out” nel contesto dell’apprendimento automatico sottolinea che la qualità del modello di ML dipende dalla qualità dei dati utilizzati per l’addestramento, poiché questi influenzano indirettamente le prestazioni complessive del sistema di produzione.Un altro elemento importante è quello relativo all’implementazione di una governance “by design” in grado di conciliare le esigenze dei data scientist con un processo di gestione dei dati e degli accessi sufficientemente sicuro e ben regolamentato. Per facilitare la collaborazione tra le comunità di data science e ingegneria del software si sta lavorando per aumentare il livello di automazione del processo tramite l’implementazione di MLOps [3].
MLOps (Fig.4), noto anche come DevOps per l’apprendimento automatico, è un termine generico che comprende filosofie, procedure e tecnologie correlate all’implementazione di cicli di vita di Machine Learning.

Figura 4: MLOps = Machine Learning + DevOps + Data Engineering

Clicca qui per ingrandire l'immagine

MLOps consente di distribuire e mantenere modelli di apprendimento automatico in produzione in modo affidabile ed efficiente, grazie all’automatizzazione dell’intero ciclo di vita degli algoritmi, a partire dall’addestramento iniziale del modello fino all’implementazione e al riaddestramento con nuovi dati, minimizzando gli interventi manuali. L’obiettivo è la realizzazione del processo rappresentato in Fig.5.

Figura 5: Processo di Machine Learning con automatizzazione delle pipelines

Clicca qui per ingrandire l'immagine

Esplorazione visuale dei dati

Primo risultato del progetto è stata una dashboard di esplorazione visuale dei consumi energetici che ha dato la possibilità di visionare l’andamento storico dei consumi, paragonarlo agli anni passati e verificarne l’andamento in funzione della temperatura esterna. È quindi nata la dashboard E.V.A. Energy Visual Analytics (Fig.6), utile strumento per l’analisi a consuntivo dei consumi e per discussione delle potenzialità algoritmiche per indirizzare gli sviluppi seguenti.

Figura 6: E.V.A. Energy Visual Analytics: schermata esplorativa

Clicca qui per ingrandire l'immagine

Grazie a tale strumento, abbiamo iniziato a ragionare su come algoritmi di Machine Learning, imparando il tipico comportamento di consumi di un sito, possano dare informazioni utili per identificare potenziali margini di miglioramento sui consumi energetici. È da notare che l’approccio utilizzato può essere applicato a tutti i siti dove siano disponibili i dati di consumo a livello orario e permette quindi di identificare potenziali anomalie di consumo contemporaneamente su molti siti.

Anomaly detection

Gli algoritmi di anomaly detection ragionano sui consumi del sito in funzione della temperatura esterna, questa informazione viene rappresentata graficamente dalla firma energetica (Fig.7).

Figura 7: Firma Energetica

Clicca qui per ingrandire l'immagine

La firma energetica [4] di un anno solare è la retta che meglio interpola i consumi consuntivati nei giorni dell’anno di interesse in funzione della temperatura media del luogo dove si trova la centrale. Per i siti di tipo centrale, la retta che meglio interpola il comportamento è una spezzata con una prima parte, a basse temperature, con consumi costanti, principalmente dovuti ai consumi della infrastruttura di telecomunicazioni, e una seconda parte con una linea inclinata che rappresenta il contributo della temperatura sulla quota di condizionamento. Per ogni sito è stato dunque realizzato un modello di Machine Learning che, imparando dal comportamento dell’anno precedente, rileva eventuali scostamenti dal previsto che vengono segnalati come anomalie.

Risultati sperimentali

I primi risultati sperimentali di questa soluzione sono stati molto incoraggianti. Grazie ai dati e al Machine Learning sono state identificati un primo gruppo di siti con consumi incoerenti rispetto all’atteso, come illustrato in un esempio in Fig.8.

Figura 8: E.V.A. : segnalazione sito potenzialmente anomalo

Clicca qui per ingrandire l'immagine

Da verifiche in campo, su tali siti è effettivamente emerso che vi erano margini di ottimizzazione nella logica di funzionamento degli apparati di raffrescamento. In questo caso un sito è stato segnalato come potenzialmente anomalo nei consumi in riferimento ad un certo periodo di tempo. Il sopralluogo ha confermato il sussistere di un’anomalia sulla configurazione del condizionamento di una specifica sala ed un problema ai filtri del freecooling. Un intervento di manutenzione ordinaria ha risolto il problema riportando il sito a consumare come previsto, come si evince da Fig.9.

Figura 9: E.V.A. : verifica dell’impatto dell’intervento di manutenzione

Clicca qui per ingrandire l'immagine

In virtù di questi primi risultati, è stato quindi avviato un processo di anomaly detection periodico ed il coinvolgimento della manutenzione specialistica affinché siano intercettate le anomalie ed implementate le necessarie azioni manutentive volte all’efficientamento energetico (setting dei PLC, corretto utilizzo del pulsante benessere, pulizia filtri, …) come illustrato dalle immagini di Fig.10.

Figura 10: Foto di elementi su cui è stata effettuata la manutenzione (pulsante benessere a sinistra e filtri free-cooling a destra)

Clicca qui per ingrandire l'immagine

Conclusioni

Le potenzialità dell’Intelligenza Artificiale, in particolare degli algoritmi di Machine Learning, consentono di estrarre informazioni utili per ottimizzare i consumi energetici delle centrali telefoniche. In particolare, la segnalazione di potenziali derive dei consumi energetici di un sito rispetto al comportamento previsto è un utile campanello di allarme per indirizzare in modo mirato gli interventi di manutenzione. Tuttavia, affinché il sistema abbia valore, è necessario integrarlo in un processo industriale di produzione, aumentando il livello di automazione del processo di MLOps e, di conseguenza, il suo livello di maturità. Ciò garantirà una maggiore velocità nell’implementazione di nuovi modelli e abiliterà un processo iterativo di addestramento e affinamento continuo. È anche fondamentale ottenere un feedback operativo sul campo riguardo alle segnalazioni fornite dagli algoritmi, al fine di migliorare i risultati ottenuti e indirizzare nuovi casi d’uso. Ad esempio sarà possibile ottenere dei profili previsionali di consumo sempre più precisi così da migliorare sempre più le pianificazioni di acquisto di energia; oppure, aumentare la base dati con ulteriori informazioni di input (piani di development, tipologia di asset, traffico gestito, …) per ottenere modelli sempre più evoluti di consumo arrivando così a pensare ad una manutenzione predittiva e/o indirizzare ottimizzazione e attivazioni di features volte all’efficientamento energetico.

Bibliografia

  1. https://www.iso.org/iso-50001-energy-management.html
  2. Malafronte, L.; Sorrentino, M.; Trifiro, A. Development and experimental verification of data-driven approaches to real-time energy monitoring and diagnosis of telecommunication sites INTERNATIONAL JOURNAL OF ENERGY RESEARCH. Vol. 45. Pag.15139-15159 ISSN:0363-907X.
  3. https://ml-ops.org
  4. Eiraudo; S., Barbierato, L.; Giannantonio, R.; Patti, E.; Bottaccioli, L.; Lanzini, A. A Neural Network-based Methodology for Non-Intrusive Energy Audit of Telecom Sites 2022 International Conference on Smart Energy Systems and Technologies (SEST)

Acronimi

DevOps     Development and Operations

ISO     International Organization for Standardization

IT     information technology

ML     Machine Learning

MLOps     Machine Learning Operations

PLC     Programmable Logic Controllers