Il Dipartimento dell'Energia statunitense (DOE) ha assegnato, nell'ambito della sua Genesis Mission, due finanziamenti al Pacific Northwest National Laboratory (PNNL) per usare l'intelligenza artificiale nella pianificazione della rete elettrica. L'annuncio, diffuso il 29 ottobre 2026, riguarda due progetti con un problema comune: i modelli che oggi servono a programmare l'espansione e il funzionamento della rete sono diventati così complessi da produrre decine di migliaia di scenari possibili, troppi perché un team di tecnici li esamini uno per uno. L'intelligenza artificiale dovrà imparare a velocizzare quei calcoli, oppure a scegliere da sola quali scenari vale la pena approfondire.
TRL 3-4 — Ricerca sperimentale: due progetti dimostrativi con sei mesi di tempo per verificare se l'approccio regge, non ancora strumenti impiegati nella pianificazione reale della rete
Impatto potenziale: alto
Il problema: modelli sempre più pesanti da far girare
Pianificare la rete elettrica significa oggi affidarsi a strumenti di simulazione sempre più sofisticati, capaci di rappresentare la fisica della rete o di stimare come costi, politiche e nuove tecnologie ne cambieranno l'espansione nei prossimi decenni. Il problema, secondo il PNNL, non è la mancanza di modelli, ma il loro eccesso di output: con la complessità raggiunta dalla rete negli ultimi vent'anni, questi strumenti possono produrre decine di migliaia di scenari diversi, troppi per essere passati al setaccio da squadre umane nei tempi richiesti dalle decisioni di pianificazione. Il DOE, attraverso i fondi della Genesis Mission, ha scelto di scommettere su tecniche di apprendimento automatico per affrontare questo collo di bottiglia, in due modi distinti e complementari.
Primo progetto: un "modello del modello" per la fisica della rete
Il primo progetto è guidato da Marcelo Elizondo, ingegnere dei sistemi di potenza e Laboratory Fellow del PNNL, con un consorzio che comprende l'Argonne National Laboratory, i Sandia National Laboratories, Siemens Corporation, la Washington State University, Xcel Energy Services e l'Electric Reliability Council of Texas (ERCOT), il gestore della rete texana. Il bersaglio sono i modelli electromagnetic transient (EMT), usati dai pianificatori per capire come un nuovo carico o una nuova fonte di generazione cambieranno il comportamento della rete: calcolano la fisica del sistema con una risoluzione al microsecondo, il che li rende estremamente pesanti dal punto di vista computazionale.
Il team di Elizondo sta verificando se un algoritmo di apprendimento automatico può approssimare quei calcoli, costruendo quello che lo stesso Elizondo ha definito un "modello di un modello": una rete neurale addestrata a riprodurre l'output dei modelli EMT senza ripetere da capo ogni volta i calcoli completi. Se l'approssimazione si rivela sufficientemente accurata, i modelli risultanti girerebbero più in fretta, permettendo ai pianificatori di studiare più scenari nello stesso tempo oggi necessario per uno solo.
Secondo progetto: scegliere gli scenari che contano per la crescita della rete
Il secondo progetto è guidato dalla Arizona State University, con la partecipazione del PNNL, del Lawrence Berkeley National Laboratory, della Pennsylvania State University e della University of California San Diego; la parte di competenza del PNNL è affidata alla scienziata della Terra Casey Burleyson. Qui lo strumento sotto esame sono i capacity expansion model (CEM), anch'essi usati per la pianificazione, ma da un'angolazione diversa rispetto ai modelli EMT: non rappresentano la fisica della rete, ma distillano fattori come il costo dei combustibili, la domanda elettrica, le politiche pubbliche e l'evoluzione tecnologica, per aiutare utility, pianificatori delle reti di trasmissione e regolatori a programmare l'espansione di lungo periodo. Un pianificatore che sappia di dover aggiungere una certa quantità di generazione e di rete entro il 2035 inserisce in questi modelli tutte quelle variabili, le fa oscillare per riflettere l'incertezza delle proprie ipotesi, e ottiene in uscita diversi possibili "percorsi" per raggiungere l'obiettivo.
Il problema, ha spiegato Burleyson, è la quantità di output: con la complessità raggiunta dalla rete negli ultimi vent'anni, questi modelli possono produrre diecimila scenari diversi, e la domanda diventa quali approfondire. Il team punta a costruire un modello basato sull'intelligenza artificiale capace di isolare gli scenari più significativi o interessanti tra quei diecimila, riducendo in modo sostanziale il tempo di calcolo necessario per individuarli; il confronto tra l'output di questo modello e quello di un tradizionale ensemble di CEM servirà a verificarne l'affidabilità.
Sei mesi per dimostrarlo, una rete che dovrà raddoppiare
Entrambi i team hanno sei mesi di tempo per dimostrare i risultati promessi: un orizzonte breve, coerente con la logica della Genesis Mission, il programma con cui il DOE punta a integrare rapidamente tecniche di intelligenza artificiale avanzata nella scienza e nelle missioni dei laboratori nazionali statunitensi. "La Genesis Mission è così interessante perché possiamo davvero provare una tecnica che nessuno ha mai tentato prima", ha dichiarato Elizondo. "Secondo alcune proiezioni dovremo costruire una rete grande il doppio di quella attuale per sostenere la domanda. E allo stesso tempo integrare nuove tecnologie, nuovi carichi. Dobbiamo ripensare il modo in cui pianifichiamo la rete".
Il commento di PINET
Il problema che questi due progetti affrontano non è esclusivamente americano: anche in Italia, dove Terna deve valutare scenari sempre più numerosi per l'ingresso di fotovoltaico, eolico, accumuli e nuovi carichi come i data center, la capacità di passare al setaccio migliaia di combinazioni possibili in tempi utili alle decisioni è un collo di bottiglia reale, non solo statunitense. Va detto con chiarezza che si tratta, per ora, di due progetti dimostrativi con appena sei mesi di tempo: nessuno dei due risultati è stato ancora validato, e la stessa definizione di "Super Intelligence" usata dal DOE per la Genesis Mission resta più un'etichetta di programma che una tecnologia già matura, al di là delle tecniche di apprendimento automatico vere e proprie su cui i due team stanno lavorando. Se l'approccio dovesse funzionare, il guadagno più immediato sarebbe tempo: più scenari studiati, o scenari studiati più in fretta, senza bisogno di nuove infrastrutture di calcolo o di modelli radicalmente diversi da quelli già in uso. Resta da vedere se le approssimazioni dell'IA si confermeranno sufficientemente fedeli ai modelli fisici ed economici che sostituiscono, e se un metodo pensato per il sistema elettrico americano, con le sue regole e i suoi operatori, sia trasferibile tale e quale al contesto italiano ed europeo o richieda un adattamento proprio.