PRECEDE: PREvisioni climatiche ed energetiche a supporto delle Comunità Energetiche con modelli di DEep learning.

La domanda globale di energia, sostenuta dalla crescita demografica e dallo sviluppo tecnologico, è aumentata significativamente negli ultimi decenni e si prevede che continui a crescere, in particolare per l'energia elettrica. Poiché i combustibili fossili, pur avendo storicamente soddisfatto gran parte di tale domanda, contribuiscono al riscaldamento globale, la transizione verso fonti rinnovabili rappresenta una priorità. In questo contesto, la stima accurata della produzione e del consumo energetico, insieme all'ottimizzazione dei flussi di stoccaggio e distribuzione all'interno di una comunità energetica, è fondamentale per una gestione efficiente della rete. Il lavoro si inserisce nell'ambito del progetto PRECEDE, PREvisioni climatiche ed energetiche a supporto delle Comunità Energetiche con modelli di DEep learning, finanziato dal programma nazionale PNRR "ECOSISTER" e coordinato dallo Spoke~2 dell'Università di Modena e Reggio Emilia, dedicato al tema Clean energy production, storage and savings. Il progetto mira a sviluppare soluzioni innovative per la distribuzione dell'energia fotovoltaica e il supporto ai processi decisionali nelle Comunità Energetiche Rinnovabili, integrando dati eterogenei provenienti da modelli climatici e da fonti reali distribuite. In questa tesi vengono proposte due metodologie di previsione del consumo energetico per utenti residenziali, basate rispettivamente su Temporal Convolutional Network e su XGBoost, e un algoritmo di ottimizzazione multi-obiettivo per la gestione dello stoccaggio energetico nelle comunità energetiche. Gli esperimenti numerici condotti su comunità simulate mostrano un incremento medio dell'energia incentivata, in accordo con le normative italiane, pari a circa il 15%, con picchi superiori al 30%.