Abbiamo sviluppato modelli di intelligenza artificiale per supportare il personale di Inail nella gestione energetica dei Data Center.
Ottimizzare la gestione di un impianto complesso con la matematica applicata
Nel 2017 INAIL ha inaugurato un Data Center efficiente al centro INAIL di Roma. Dopo aver scelto le soluzioni impiantistiche più efficienti e aver implementato un sistema di gestione capillare, l’energy manager di INAIL si è rivolto a noi e al partner DXC Technology con l’obiettivo di migliorare la riduzione dei consumi.
Per apportare degli ulteriori benefici a un sistema impiantistico e gestionale già molto efficiente, è stato necessario individuare e testare un fine tuning. Grazie ai dati storicizzati dal sistema di telecontrollo, abbiamo sviluppato e allenato degli algoritmi di intelligenza artificiale che potessero simulare il comportamento storico delle sale e degli impianti di climatizzazione, nelle condizioni di utilizzo. Il modello matematico ha permesso di avere, quindi, un confronto per poter effettuare test su micro-regolazioni di gestione di ambienti, di sistemi di emissione e di vettori energetici in circuiti primari e secondari. Ogni test ha permesso poi di quantificare il risparmio energetico e soprattutto di individuare gli effetti positivi (o negativi) su ciascun componente dell’impianto.
Il prossimo passo sarà implementare questi algoritmi sul sistema di telecontrollo in modo che suggeriscano all’operatore di INAIL le regolazioni in funzione delle condizioni climatiche esterne e di carico del Data Center.
Il caso studio
Obiettivi
- Ridurre i consumi energetici del Data Center
- Individuare gli effetti delle regolazioni sulle diverse parti dell’impianto
- Supportare l’operatore INAIL nella gestione del sistema
Soluzione
I nostri data scientists hanno raccolto i dati storici acquisiti dal sistema di telecontrollo esistente - ovvero due anni di variabili, per 288 misuratori (più di 100 milioni di dati in totale) – grazie ai quali hanno potuto sviluppare un modello matematico di simulazione che, attraverso algoritmi di intelligenza artificiale, sia in grado di apprendere il comportamento del sistema impiantistico, in funzione delle condizioni climatiche storiche (temperatura e umidità) e del carico IT (ovvero del consumo energetico dei server).
Marco Scarlini (Energy data manager, Ammagamma) ha individuato i test da effettuare sui set-point dei circuiti primari e secondari, per identificare il comportamento complessivo e dei singoli componenti, e validare tali risultati, confrontandoli con il modello matematico nella fase precedente alle regolazioni. Gli effetti su un sistema impiantistico complesso sono difficili da individuare analizzando solo i trend, inoltre questi effetti possono variare in funzione delle condizioni al contorno.
Per questo, è stato necessario effettuare le normalizzazioni per poter meglio cogliere l’azione degli interventi. I test hanno permesso di evidenziare potenziali modifiche a livello della gestione impiantistica capaci di generare ulteriori risparmi rispetto alla gestione precedente. Tali regolazioni sono state valutate per range, per condizioni di applicazione e per potenzialità di risparmio nell’arco di un anno.
Risultati
- nuove opportunità di energy saving (*in base ai test effettuati, sotto in tabella)
- migliore gestione delle regolazioni energetiche
- migliore gestione complessiva dell’impianto
I test effettuati sono stati concordati con i gestori degli impianti, si sono svolti tra Febbraio e Luglio 2020, e si sono concentrati su:
- temperatura di set point del free cooling- temperatura di set point di sala
- temperatura di set point di Mandata acqua
- priorità ingresso dei gruppi frigoriferi
- temperatura di set point di Mandata acqua
- priorità ingresso dei gruppi frigoriferi
Di seguito, i risultati di risparmio conseguibili per i test più interessanti.
***
Vuoi ricevere maggiori informazioni su questo progetto?
Contattaci!
