Uno degli argomenti che tocca è quello della transizione energetica, dove spiega bene il potenziale del nucleare, ma conclude che le rinnovabili restano la scelta migliore. Ricoprendo un piccolo fazzoletto degli Stati Uniti con pannelli fotovoltaici, magari in Utah o Texas dove c’è solo deserto e nulla di interessante da vedere, la prima economia del mondo potrebbe cessare l’uso di tutte le altre fonti energetiche, cominciando da quelle fossili più inquinanti. Quant’è fattibile questa visione? Già in passato Siemens propose di pannellare parte del Sahara per alimentare col solare tutta l’Europa, poi tra difficoltà tecniche di installazione, controllo e collegamento alla rete, e quelle geopolitiche dei paesi che volevano tassare l’impossibile sull’energia prodotta, il piano si fermò.
L’ingresso delle rinnovabili sulla rete ha reso la rete elettrica un sistema molto complesso da gestire correttamente. Le previsioni meteo ci aiutano a capire quanto possiamo ricavare da vento e sole nelle prossime 24 ore, ma devono essere precise a livello di pochi chilometri quadri. I prezzi in vigore ci dicono quale fonte sia più conveniente nell’immediato futuro, ma il Diavolo sta nei dettagli, non sui Powerpoint, e le oscillazioni continue delle tariffe richiedono una gestione accuratissima. Quando poi entriamo nel dettaglio dei diversi consumi casalinghi e delle aziende, con i loro diversi macchinari in funzione in momenti diversi, ed analizziamo l’incrocio di tutti questi dati nelle diverse parti della rete, il numero di parametri da considerare è veramente elevato. Parliamo di oltre 400 variabili per un’area molto piccola.
Le rinnovabili in rete portano un eccesso di informazioni da incrociare: comunicazioni sempre più rapide, capacità di calcolo più distribuite, e la crescita esponenziale dell’internet delle cose, ci danno così tanti dati che è umanamente impossibile districarsi. Nell’informatica tradizionale, guidata da regole deterministiche del genere "se succede questo, fai quello, altrimenti quell’altro” riusciamo a paragonare valori conosciuti come la temperatura, il consumo o la produzione elettrica e prendere delle decisioni, semplici e rapide. Ma adesso ci troviamo in un sistema dove tutte le variabili sono probabilistiche, e dobbiamo costruire un algoritmo che ci consenta di dire “ho fiducia che questa sia la strategia giusta, ma ho anche evidenza a supporto di queste alternative”. Serve un salto di qualità negli algoritmi e motori previsionali.
Per costruire un sistema in grado di gestire questa complessità serve intelligenza distribuita in ogni nodo (on the edge), in modo che ogni condizionatore, fornace, tornio o altro macchinario possa comunicare alla rete quanta energia sta utilizzando e quanto ne prevede per le prossime ore, in quella specifica area della rete, influenzato da altri consumatori e produttori. Nel momento in cui ogni nodo della rete riesce a comunicare il fabbisogno di energia per le successive 24 ore, il Machine Learning può imparare la dinamica con cui tutti i dati si incrociano, e da lì ottimizzare l’uso delle fonti rinnovabili e delle batterie, in modo da ottimizzare il consumo ed assicurare elettricità per tutti in modo affidabile.
