Analisi economico-ambientale e modellizzazione del funzionemento di un sistema di trigenerazione per il raggiungimento dell'ottimo industriale: Il caso Dayco

Questa è una fase importante più per un corretto monitoraggio del sistema produttivo, al fine di verificare se il processo si stia comportando in modo costante nei vari anni o stia subendo delle deviazioni da detto comportamento, legate ad un invecchiamento dei macchinari o alla mancata manutenzione e ciò potrebbe inficiare anche il corretto funzionamento del CCHP. Inoltre una simulazione dei processi può permettere di eseguire analisi previsionali (forecasting) dei consumi futuri.

Nel caso in cui ci si trovasse in assenza di dati, bisognerebbe eseguire delle misurazioni in campo, al fine di determinare un set di misure adeguato per descrivere del processo (come descritto in precedenza) che è affetto da variabili cicliche come quella stagionale o quella legata al calendario di chiusura forzata dello stabilimento, così da poter eseguire la modellizzazione del processo.

Nel caso in cui fossimo in presenza di dati storici il procedimento sarebbe più semplice, perché sarebbe necessario studiare direttamente i dati, senza la necessità di andarli a produrre.

Comunque, in entrambi i casi, a valle della raccolta il procedimento di modellizzazione del processo è analogo: a seconda della complessità del sito oggetto di studio e al livello di dettaglio dei dati collezionati, si procede con un'analisi delle prestazioni ad alto livello di dettaglio o con un livello minore, come descritto nella fase precedente.

Si procede, poi, con l'analisi e l'interpretazione di suddetti dati, per il controllo delle prestazioni energetiche. Ciò consente la realizzazione di un modello matematico di riferimento, in grado di prevedere i consumi energetici e confrontarli rispetto alla baseline data dal modello, per identificarne eventuali comportamenti anomali. Per la generazione del modello risulta di particolare importanza lo studio di processo qualitativo effettuato nell'analisi precedente, al fine di definire al meglio gli energy driver (fattori energetici chiave), da cui dipenda maggiormente il processo stesso. Solo a valle di ciò sarà possibile definire un modello matematico in grado di stimare e approssimare i consumi energetici presenti e futuri.

I modelli impiegati possono essere di varia natura, per esempio deterministici, stocastici, che facciano uso di machine learning o ancora tramite regressione lineare. In questa sede si consiglia in particolare l'impiego di un modello di regressione lineare multi-variabile, basata sull'analisi dei dati di consumo, poiché risulta essere quello di più semplice e diretta applicazione.

Tramite tale metodo è possibile elaborata un'equazione in grado di permettere una migliore modellizzazione rispetto ad un'equazione ad una sola variabile indipendente, in quanto si considera l'effetto di più potenziali variabili. L'obiettivo di tale metodo è quello di esprimere l'energia consumata dal sistema in un certo periodo di tempo in funzione di variabili indipendenti (energy drivers). Questa relazione viene stabilita attraverso l'analisi statistica (analisi di correlazione) dei dati storici raccolti. In generale i consumi di un sistema sono influenzati in maniera significativa da più variabili. Avendo un parametro dipendente da più fattori, l'analisi grafica a cui si ricorre nell'analisi di correlazione potrebbe indurre in errore, a meno che non si abbia una dipendenza da un fattore molto più forte rispetto agli altri. L'analisi di correlazione tiene conto sia della disposizione dei punti (correlazione positiva/negativa, quantificata tramite il coefficiente di correlazione) che della loro compattezza (forza della correlazione, quantificata tramite il quadrato dello stesso coefficiente). [...]