Sviluppo e test di un algoritmo di controllo predittivo per l’ottimizzazione dei profitti in una microrete

Abstract

Il presente studio, svolto in collaborazione con la multinazionale ABB, si pone l'obiettivo di ottimizzare la gestione integrata dei flussi energetici ed economici all'interno di una microrete elettrica industriale. Ai fini della ricerca, si è sviluppato in ambiente MatLab un codice che utilizza l'algoritmo di controllo predittivo Model Predictive Control per massimizzare flussi di cassa operativi, fungendo da benchmark accademico per i servizi di ottimizzazione energetica offerti sul mercato da ABB. Il modello sviluppato integra la generazione da impianto fotovoltaico e la flessibilità di un sistema di accumulo a batterie. L'efficacia dell'algoritmo predittivo è stata valutata attraverso un'analisi tecno-economica operata su diversi scenari di ottimizzazione energetica e di prezzo, per dimostrarne ulteriormente la validità. I risultati ottenuti evidenziano una drastica riduzione dei costi di approvvigionamento elettrico e tempi di recupero del capitale investito estremamente ridotti, confermando l'elevata competitività economico-finanziaria dell'investimento. Oltre ai riscontri monetari diretti, lo studio dimostra come l'ottimizzazione predittiva della microrete riduca la dipendenza dai vettori fossili della rete nazionale, abilitando un posizionamento strategico dell'impresa attraverso il miglioramento dei propri rating di sostenibilità secondo i criteri ESG (Environmental, Social and Governance).

This study, conducted in collaboration with the multinational corporation ABB, aims to optimize the integrated management of energy and economic flows within an industrial microgrid. For the purposes of this research, a MATLAB-based code was developed utilizing a Model Predictive Control (MPC) algorithm to maximize operating cash flows, serving as an academic benchmark for the energy optimization services offered on the market by ABB. The developed model integrates photovoltaic generation with the flexibility of a battery energy storage system. The effectiveness of the predictive algorithm was evaluated through a techno-economic analysis conducted across various energy optimization and pricing scenarios to further demonstrate its validity. The results highlight a drastic reduction in electricity procurement costs and extremely short payback periods, confirming the high economic and financial competitiveness of the investment. Beyond the direct monetary benefits, the study demonstrates how the predictive optimization of the microgrid reduces dependence on fossil fuel sources from the national grid, enabling a strategic positioning for the company by improving its sustainability ratings according to ESG (Environmental, Social, and Governance) criteria.