Il ruolo del digitale nel settore energetico tra ottimizzazione gestionale e aumento dei consumi

Un recente rapporto dell’Agenzia Internazionale dell’Energia (Iea) evidenzia come la crescente adozione dell’IA stia alimentando un’impennata nella domanda di elettricità da parte dei data center.

A livello globale, il consumo di elettricità dei data center è cresciuto di circa il 12% all’anno dal 2017, superando di oltre quattro volte il tasso di crescita del consumo totale di elettricità.

Si prevede che questa tendenza accelererà nei prossimi anni a causa della crescente integrazione dell’IA. Nello specifico, si stima che la domanda di elettricità dei data center a livello mondiale raddoppierà entro il 2030, raggiungendo circa 945 terawattora (TWh).

QUI la ricerca affidata all’Energy & Strategy Group del Politecnico di Milano

Il ruolo dell’intelligenza artificiale

Tuttavia, lo stesso rapporto chiarisce come l’IA non sia solo un fattore di aumento della domanda di energia, ma anche una soluzione chiave per ottimizzare l’uso dell’energia all’interno di queste strutture.

I sistemi Hvac emergono come un’area critica d’intervento, dato che il raffreddamento rappresenta una quota significativa del consumo energetico nei data center.

L’efficientamento dei sistemi Hvac, attraverso l’IA, si presenta allora come leva fondamentale per ridurre drasticamente il consumo energetico e, di conseguenza, le emissioni di gas serra, contribuendo in modo determinante agli obiettivi di decarbonizzazione.

Davide Chiaroni | Vice director & co-founder Energy&Strategy del Politecnico di Milano

In un mondo sostenibile e decarbonizzato la gestione innovativa dell’energia e della sostenibilità rappresentano le principali leve strategiche per la crescita e il benessere di imprese, istituzioni e cittadini.

Il digitale non è solo un supporto per la decarbonizzazione, ma anche un motore essenziale per un futuro più sostenibile e responsabile. Le sue applicazioni si estendono lungo l’intera filiera del settore energetico, dalla produzione al trasporto e distribuzione, fino al consumo finale.

Alcune di queste applicazioni sono strettamente connesse alla transizione energetica, mentre altre, pur offrendo notevoli opportunità di supporto alla decarbonizzazione, trovano impiego anche in ambiti non direttamente orientati a tale obiettivo.

Un esempio è rappresentato dalla manutenzione predittiva, che può essere applicata anche in contesti tradizionali, non connessi alla transizione energetica, come la gestione delle centrali termoelettriche.

Tre applicazioni

L’attenzione della ricerca si concentra su tre delle applicazioni per le quali è stato riconosciuto il più alto livello di specificità in relazione alla transizione energetica:

Generation Forecast – prevede la produzione di energia rinnovabile basandosi su algoritmi avanzati e migliorando la pianificazione operativa;

Grid Stability – predice l’instabilità nella rete energetica, garantendo il bilanciamento e prevenendo blackout o oscillazioni;

Demand Response – coordina la risposta dei consumatori a segnali di prezzo o carico, ottimizzando la gestione della domanda in tempo reale;

Energy Assessment – valuta le prestazioni energetiche di impianti/edifici, identificando inefficienze e proponendo soluzioni, che è invece più legato all’ambito dell’efficienza energetica.

Per Davide Chiaroni, sebbene le tre applicazioni esaminate si riferiscano a fasi della filiera e a tecnologie differenti, condividono un elemento centrale che le rende essenziali per la transizione energetica: la gestione della natura intermittente delle fonti energetiche rinnovabili (Fer).

L’intermittenza delle Fer rappresenta una sfida significativa per la stabilità del sistema elettrico, che richiede un costante equilibrio tra domanda e offerta. Quindi in questo contesto, l’intelligenza artificiale può svolgere un ruolo cruciale e le tre applicazioni analizzate cercano di affrontare il problema da tre prospettive complementari.

In primo luogo, l’applicazione di Generation Forecast fornisce una previsione accurata delle fluttuazioni, permettendo una migliore pianificazione e gestione delle risorse.

In secondo luogo, attraverso le applicazioni di Demand Response, si tenta di armonizzare il profilo di consumo con l’andamento intermittente della produzione da Fer. Infine, le applicazioni di Grid Stability offrono alla rete la capacità di rispondere efficacemente alle fluttuazioni improvvise, garantendo la stabilità operativa anche in condizioni di variazione non previste.

Queste tre prospettive, integrate tra loro, costituiscono un approccio strategico per affrontare i problemi derivanti dall’intermittenza e per accelerare l’adozione delle Fer in modo sostenibile ed efficace.

Tra le applicazioni di Energy Assessment, troviamo il Building Energy Management System (Bems), una piattaforma software che monitora e controlla i sistemi energetici di un edificio, come Hvac (Heating, Ventilation, and Air Conditioning), illuminazione, riscaldamento e impianti elettrici.

Attraverso l’integrazione con sensori IoT, AI e algoritmi di machine learning, un Bems raccoglie dati in tempo reale, analizza i consumi e ottimizza il funzionamento degli impianti per migliorarne l’efficienza.

Un’analisi della letteratura ha rivelato che questo permetterebbe di ottenere risparmi energetici tramite il controllo e l’ottimizzazione Hvac, per la quale è fondamentale una previsione accurata dei consumi energetici, e la rilevazione di presenza.

In questo grafico si riporta la possibile riduzione dei consumi energetici (in %) implementando Bems con AI. L’AI può aiutare a ridurre i consumi tramite un monitoraggio continuo dei flussi energetici, un’ottimizzazione dell’Hvac, un’automazione avanzata degli apparati energetici e l’analisi di serie storiche e previsioni future rispetto a produzione e consumi.

Prospettiva per gli operatori

Da parte degli operatori si registra un interesse elevato nelle diverse applicazioni AI, per le quali però c’è un approccio diverso da parte dei diversi attori della filiera sia nella loro diffusione sia nell’introduzione all’interno del modello di business.

Innanzitutto, nonostante l’interesse elevato, vi è una grande differenza nell’effettiva implementazione di applicazioni AI: mentre operatori più grandi e con più elevate disponibilità finanziarie hanno già introdotto nel loro modello di business applicazioni AI, questo non è vero per operatori più piccoli.

Ciò è dovuto in parte alle capacità di investimento, ma anche alla possibilità di assumere personale dedicato allo sviluppo di tali applicazioni.

Quest’ultimo aspetto è importante anche per una seconda considerazione, che riguarda la possibilità di sviluppare le applicazioni AI internamente o di ricorrere allo sviluppo esterno.

Le aziende più grandi ricorrono a entrambe le soluzioni, a seconda della criticità dell’applicazione sviluppata, mentre tra le più piccole si assiste ad una maggiore esternalizzazione, appunto per le difficoltà di avere una business unit dedicata.

La situazione italiana

In Italia sono 489 le aziende attive nello sviluppo di software e servizi nell’ambito Data & AI. Di queste, tramite un’analisi dell’offerta, si è rilevato che 97 forniscono soluzioni specifiche per il settore energetico.

Nonostante l’adozione dell’intelligenza artificiale nel comparto energetico sia ancora limitata rispetto ad altri settori (come quello bancario, healthcare e manufatturiero), vi è un gran numero di aziende che offrono servizi per il settore energetico stesso, che rappresenta un’area in crescita con potenziali opportunità di sviluppo.

L’analisi mostra che la maggior parte delle aziende opera nella generazione di energia, con una leggera prevalenza nel segmento rinnovabile. Seguono il consumo industriale e il trasporto e distribuzione, settori in cui l’intelligenza artificiale è sempre più utilizzata per ottimizzare efficienza e gestione delle risorse.

Il consumo residenziale e i mercati energetici registrano una presenza più contenuta, mentre il segmento dei veicoli elettrici appare ancora marginale.

Le sfide per la decarbonizzazione dell’AI

A livello globale, il consumo di elettricità dei data center è cresciuto di circa il 12% all’anno dal 2017, superando di oltre quattro volte il tasso di crescita del consumo totale di elettricità.

Si prevede che questa tendenza accelererà nei prossimi anni a causa della crescente integrazione dell’IA. Nello specifico, si stima che la domanda di elettricità dei data center a livello mondiale più che raddoppierà entro il 2030, raggiungendo circa 945 terawattora (TWh).

In particolare, circa l’80-90% del consumo complessivo deriva dal diretto utilizzo dei modelli di AI generativa, poiché eseguiti milioni di volte al giorno, rispetto al 10-20% dell’addestramento, che è un processo una tantum.

Per comprendere la portata del fenomeno, basta pensare che una singola query su un modello AI può consumare dieci volte più energia rispetto a una normale ricerca sul web.

Martino Bonalumi | PhD Candidate Energy&strategy Group

Prendendo come riferimento il caso di ChatGpt, il quale supera il miliardo di visite mensili, il suo consumo energetico stimato è di almeno 2,9 GWh al mese. Una quantità simile di energia sarebbe sufficiente per coprire i fabbisogni energetici mensili di circa 7.000 famiglie italiane.

Per misurare l’efficienza di utilizzo delle risorse energetiche in un data center l’indicatore maggiormente utilizzato è il Power Usage Effectiveness (Pue).

Il Pue è calcolato come il rapporto tra l’energia totale consumata dalla struttura e quella utilizzata esclusivamente per l’infrastruttura IT. Una maggiore efficienza si ottiene quando una quota maggiore dei consumi è relativa all’infrastruttura IT: pertanto il Pue è migliore per valori vicini al limite inferiore, pari a 1.

Una domanda in costante crescita

I dati storici indicano che la domanda di energia dei data center è raddoppiata tra il 2020 e il 2024 e si prevede possa più che raddoppiare (+137%) entro il 2029.

Questo aumento è trainato principalmente dalla crescente richiesta di energia per supportare l’uso sempre più diffuso di modelli di intelligenza artificiale. A livello globale, la domanda aggiuntiva di energia per i data center legati all’AI sarà stimata in 716 TWh tra il 2024 e il 2029.

Se alimentata da fonti non rinnovabili, questa domanda crescente di energia rischia di avere un impatto ambientale significativo, contribuendo alle emissioni globali di Co₂.

Considerando un contesto mondiale, emerge dall’analisi del Pue medio dei data center che tra il 2007 e il 2014 si è registrato un importante miglioramento passando da un valore di 2,50 a 1,65, testimoniando come a un incremento dell’efficienza IT si è riscontrato un miglioramento dell’efficienza delle infrastrutture non IT dei data center più che proporzionale.

Ad oggi, in Italia il Pue medio si attesta a valori attorno all’1,50

Nei prossimi anni si prevede una forte crescita nel numero dei Data Center, che coinvolgerà anche l’Italia, e di conseguenza dei consumi energetici relativi. In particolare, si stima che entro il 2026 in Italia possano venire impiegati tra i 766 e i 913 MW di potenza nominale totale per alimentare i Data Center, una crescita compresa tra il 50% e il 75% rispetto alla potenza attuale (513 MW).

Questo trend potrebbe proseguire o addirittura accelerare negli anni seguenti, anche in virtù di un sempre maggior uso dell’AI.

Per provare a determinare i possibili scenari di sviluppo dei consumi energetici relativi ai Data Center, sono state considerate due dimensioni di analisi:

1. Consumi energetici relativi ai Dc: l’analisi considera due diverse ipotesi. Nella prima, i consumi delle applicazioni AI rimangono elevati (scenario consumi elevati), in linea con quanto registrato fino ad ora. Nella seconda, vi è una decisa riduzione nei consumi energetici nel training e nell’esecuzione di applicazioni AI (scenario consumi ridotti), come sembra essere possibile con nuovi modelli di AI generativa introdotti recentemente. Per questo scenario, sono stati considerati consumi inferiori del 50% rispetto al caso base.
2. Livello di efficienza energetica dei Dc: anche in questo caso, sono state prese in considerazione due diverse ipotesi. Nella prima, i Dc mantengono l’efficienza energetica attuale (Pue ~ 1,5) e quindi vi sono elevati consumi energetici ausiliari per l’operatività dei Dc. Nella seconda, le azioni di efficientamento energetico proposte vengono sviluppate in modo più capillare, riducendo i consumi energetici «ausiliari» (Pue ~ 1,2).

Dall’incrocio delle due dimensioni di analisi, si ottengono 4 scenari possibili relativi ai consumi dei Dc, per i quali sono stati forniti i consumi annuali al 2030 (TWh/anno).

Il grafico riporta i 4 scenari al 2030 per quanto riguarda i consumi energetici dei data center in Italia.

Sull’asse delle y sono stati riportati due scenari che prendono in considerazione i consumi IT: nel caso consumi elevati, i consumi delle applicazioni AI rimangono in linea con quanto registrato fino ad ora; nel caso consumi ridotti vi è una decisa riduzione nei consumi energetici nel training e nell’esecuzione di applicazioni AI.

Sull’asse delle x c’è il Pue dei data center: passando da 1,5 (attuale media dei data center in Italia) a 1,2 (valore considerato efficiente), sarebbe possibile ridurre i consumi complessivi del 20% circa.

Considerando che i consumi complessivi di energia elettrica in Italia sono di circa 300 TWh, i consumi relativi ai data center rappresentano tra l’1% e il 4% circa dei consumi complessivi.

Decarbonizzazione ed efficientamento nei Data Center

La quota maggiore di energia, compresa tra il 60% e il 65%, è assorbita dall’infrastruttura IT. Una parte significativa, pari al 25-30%, è destinata ai sistemi di raffreddamento.

La voce Power Delivery (perdite elettriche associate al sistema di alimentazione e distribuzione dell’energia) incide per circa il 5-10%, mentre la quota residuale, compresa tra l’1% e il 5%, è attribuibile ad altri sistemi di supporto come sicurezza, illuminazione e impianti ausiliari.

Alla luce del rilevante fabbisogno energetico di un data center, gli operatori di questo mercato mostrano un notevole interesse verso le soluzioni di efficientamento e di decarbonizzazione di questi sistemi.

Negli ultimi anni la temperatura ambientale mantenuta nei data center ha visto un trend di significativa crescita, passando da una temperatura richiesta per l’acqua di raffreddamento di 7°C fino a una attuale di 20°C, soprattutto grazie all’efficientamento dei sistemi di raffrescamento e all’evoluzione della componentistica IT, sviluppati in maniera da poter operare a temperature maggiori.

Asupicata una progressiva riduzione dei consumi

Questo consente una riduzione dell’energia necessaria per il raffrescamento e una maggiore efficienza termodinamica dei sistemi (+3% di efficienza per ogni grado Celsius di aumento).

È possibile però un’inversione del trend nel futuro prossimo, dato dall’incremento del calore da smaltire derivante dall’aumento della densità di potenza IT contenuta nei server, che potrebbe richiedere una riduzione delle temperature o l’adozione del liquid cooling.

In particolare, l’ottimizzazione dei sistemi di raffrescamento prende in considerazione molteplici soluzioni come il Free Cooling o il liquid cooling, soluzione di particolare interesse in ambito Hpc (High performance computing).

Il free cooling consente di ridurre il tempo di utilizzo dei compressori, anche totalmente in periodi o luoghi freddi. Presenta costi dell’impianto maggiori del 40/50%, intorno ai 150 – 200 €/kWt, con tempi di ritorno sull’investimento però inferiori a un anno rispetto alle soluzioni senza il free cooling. Per questo motivo rappresenta lo standard attuale per il raffrescamento dei data center.

Il liquid cooling consente invece un’efficienza superiore rispetto al raffreddamento ad aria, ma oltre a essere ancora in fase di studio richiede sistemi completamente nuovi e in molti casi un significativo consumo di acqua. Un grosso limite è rappresentato dalla maggior complessità per la manutenzione dei server: essendo questi immersi richiedono nuovi strumenti e nuove procedure.

Massimiliano Pierini | Managing director RX Italy

La crescente importanza delle tecnologie digitali sta trasformando società ed economie. Solo se sapremo gestire con successo la «transizione gemella» verde e digitale, potremo realizzare un futuro sostenibile, equo e competitivo.

Le transizioni verde e digitale devono essere raggiunte insieme, in maniera proattiva e integrata, per sbloccare il loro potenziale sinergico.

Parlare di Intelligenza Artificiale in un contesto come Mce significa quindi abbracciare una visione più ampia e strategica dell’energia, del suo fabbisogno nell’industria e processo di digitalizzazione.

Viene a delinearsi uno scenario in cui l’Hvac+R gioca un ruolo fondamentale, fornendo soluzioni innovative capaci di garantire un equilibrio tra efficienza operativa e sostenibilità, e favorire un ecosistema tecnologico più efficiente e resiliente.