I ricercatori dell'Università di Karlstad hanno sviluppato una nuova strategia di controllo intelligente per l'accumulo di energia tramite batterie per le serre agricole, che potrebbe essere applicata con successo su scala più ampia
Serre intelligenti: come le batterie adattive tagliano la bolletta elettrica
Apprendimento per rinforzo e previsioni a breve termine. Questi i due ingredienti delle nuove batterie adattive create da alcuni scienziati dell’Università di Karlstad, in Svezia. Partendo dall’ambiente particolarmente energivoro delle serre agricole, il gruppo ha messo a punto una nuova strategia di controllo intelligente per l’accumulo fotovoltaico, che non solo è in grado di abbassare la bolletta elettrica delle serre, ma potrebbe anche essere replicata in diversi settori. Compreso quello industriale.
Le serre fotovoltaiche
Il lavoro è partito dall’ambito agricolo non a caso. Oggi la coltivazione in serra appare un candidato ideale per l’integrazione con il fotovoltaico e per favorire l’autoconsumo in generale, proprio in virtù del suo alto dispendio energetico. Le installazioni moderne impiegano infatti sistemi automatizzati complessi per regolare fattori come temperatura, umidità, illuminazione e concentrazione di CO2, arrivando a consumare, in base alla tecnologia e al clima, da 140 GJ/ha a oltre 7000 GJ/ha l’anno. E l’elettricità rappresenta circa la metà di tutti gli input energetici.
Usare il sole appare la scelta più immediata, resa anche possibile dalle nuove tecnologie semitrasparenti o dai pannelli solari sospesi. Tuttavia a causa delle fluttuazioni meteorologiche, dei cambiamenti stagionali e delle variazioni della luce solare giornaliera, l’integrazione “semplice” offre benefici limitati. È qui che entrano in campo le batterie adattive del team svedese.
Batterie adattive, il modello svedese
Gli scienziati hanno creato un modello avanzato basato sull’intelligenza artificiale composto da tre elementi chiave:
- Decomposizione del segnale (VMD-Variational Mode Decomposition).
- Previsione a breve termine (LSTM-Long Short-Term Memory).
- Apprendimento per rinforzo (DRL-Deep Reinforcement Learning).
Quindi lo hanno integrato ad una batteria da 7,2 kWh collegata a un inverter bidirezionale. Il tutto è stato testato su una serra agricola installata presso l’Università, dotata di sensori ambientali, sistemi di controllo climatico e impianto fotovoltaico da 7,1 kWp.
Una volta attivo, i ricercatori hanno utilizzato la Variational Mode Decomposition per “pulire” i dati grezzi del consumo energetico (caratterizzati da picchi dovuti all’accensione dei riscaldatori) e della produzione solare, isolando le tendenze principali. Utilizzando reti neurali di tipo LSTM, il sistema è stato addestrato per prevedere il consumo e la produzione energetica con 30 minuti di anticipo, mentre un agente di apprendimento rinforzato imparava man mano a prendere decisioni ottimali sui tempi di carica e scarica della batteria, basandosi sullo stato di carica (SoC), sui prezzi dell’elettricità e sulle previsioni a breve termine.
I risultati
A differenza dei controlli a soglia fissa, il nuovo modello adattivo è in grado di adattarsi dinamicamente alle variazioni dei prezzi dell’elettricità e della domanda energetica, identificando correttamente le situazioni che richiedono lo spostamento dei carichi.
L’approccio ha dimostrato di essere superiore ai metodi tradizionali, abbassando i costi variabili dell’elettricità del 2,2% a febbraio 2023 e del 2,7% a marzo 2023 rispetto a uno scenario senza batteria. Il risultato più rilevante è stato la riduzione del consumo energetico di picco, con una diminuzione del 24% a febbraio e del 19% a marzo 2023. E ancora: i costi totali dell’elettricità sono risultati inferiori rispetto a tutti gli scenari utilizzati per il confronto.
“I risultati dimostrano che il sistema ottimizzato di utilizzo dell’energia potrebbe essere applicato su scala più ampia, ad esempio nell’industria manifatturiera, dove è necessario ridurre sia i costi di produzione che l’impronta di carbonio”, afferma Jorge Solis, professore associato di ingegneria elettrica presso l’Università di Karlstad.
La ricerca Intelligent Control Strategy of a Battery Energy Storage for a Climate‐Controlled Greenhouse with a High Proportion of Local Renewable Energy, è stata pubblicata su IEEJ Transactions on Electrical and Electronic Engineering (2025).
