Prevedere con sei ore di anticipo quanta energia termica un "prosumer" — un utente che insieme a consumare calore lo produce anche, ad esempio con un impianto solare termico o una pompa di calore collegata alla rete — potrà immettere in una rete di teleriscaldamento. È l'obiettivo del modello di intelligenza artificiale sviluppato da un gruppo di ricercatori dell'ENEA, che l'agenzia ha reso pubblico il 9 aprile 2026: una rete neurale addestrata su tredici anni di dati simulati, pensata per rendere le reti di teleriscaldamento italiane ed europee più capaci di assorbire calore da fonti rinnovabili e distribuite.
TRL 3-4 — Ricerca sperimentale avanzata: modello validato su dati simulati, non ancora testato su una rete di teleriscaldamento reale in esercizio
Impatto potenziale: medio-alto
Il problema: reti pensate per un solo verso, che ora devono diventare bidirezionali
Le reti di teleriscaldamento sono nate per portare calore da un'unica grande centrale — spesso una cogenerazione a gas o un termovalorizzatore — a migliaia di edifici collegati. È uno schema a senso unico, semplice da gestire perché la produzione è concentrata in un solo punto e relativamente prevedibile. Il problema è che questo schema si sta rompendo: sempre più utenti "prosumer" installano pannelli solari termici, pompe di calore o piccoli impianti di cogenerazione distribuita in grado di immettere calore nella rete, non solo di prelevarlo. Il risultato è una rete che deve diventare bidirezionale, con punti di immissione multipli e distribuiti sul territorio, la cui produzione dipende da variabili difficili da controllare come l'irraggiamento solare o la temperatura esterna. Gestire senza strumenti predittivi adeguati una rete di questo tipo significa rischiare squilibri tra produzione e domanda, con perdite di efficienza o, nei casi peggiori, malfunzionamenti nella distribuzione del calore.
Come funziona il modello ENEA: una rete LSTM "semplice ma efficace"
Il gruppo di ricerca, composto da Mattia Ricci, Federico Gianaroli, Marcello Artioli, Simone Beozzo e Paolo Sdringola del Laboratorio ENEA per le soluzioni integrate per l'efficienza energetica, ha sviluppato il modello nell'ambito del progetto 1.5 della Ricerca di Sistema Elettrico 2025-2027, il programma con cui il Ministero dell'Ambiente e della Sicurezza Energetica finanzia la ricerca pubblica sul sistema elettrico nazionale. La scelta tecnica è ricaduta su una rete neurale di tipo LSTM (Long Short-Term Memory), un'architettura di apprendimento automatico specializzata nell'analisi di sequenze temporali e particolarmente efficace nel riconoscere pattern che si ripetono nel tempo, come i cicli giornalieri e stagionali della domanda e della produzione di calore.
"Nel nostro caso la rete è costituita da una struttura semplice ma efficace", ha spiegato Ricci: un unico livello di elaborazione in cui 32 unità di calcolo lavorano in parallelo. È una scelta che privilegia deliberatamente la sobrietà architetturale: invece di impilare più livelli di rete neurale — un approccio che generalmente aumenta la capacità del modello ma anche il rischio di overfitting e i tempi di calcolo — i ricercatori hanno puntato su un'unica architettura compatta, più adatta a girare con la frequenza e la rapidità richieste da un sistema di controllo operativo in tempo quasi reale.
Tredici anni di dati per insegnare alla rete a "leggere" il meteo
Il modello è stato addestrato su tredici anni di simulazioni e dati meteorologici orari, incrociando le variabili che più influenzano la disponibilità di calore da fonti rinnovabili e distribuite: temperatura dell'aria esterna, irraggiamento solare, ciclo giorno-notte e stagionalità. È un impianto di addestramento coerente con la natura del problema: la quantità di calore che un pannello solare termico o una pompa di calore aria-acqua possono immettere in rete dipende in larga parte dalle condizioni atmosferiche del momento, per cui un modello che voglia prevedere con affidabilità questa grandezza deve aver "visto" un numero sufficientemente ampio di combinazioni meteorologiche e stagionali per generalizzare bene anche su condizioni non incontrate durante l'addestramento.
Il risultato, secondo quanto dichiarato dallo stesso Ricci, è un modello le cui "previsioni sono sufficientemente accurate, in particolare per previsioni future nel breve o brevissimo termine": l'orizzonte di sei ore individuato dal team è compatibile con i tempi tipici di pianificazione operativa di una centrale di teleriscaldamento, che deve decidere con un certo anticipo come bilanciare le fonti di calore disponibili. Il team ENEA ha reso noto di lavorare già a una versione successiva del modello, con l'obiettivo dichiarato di "migliorare la precisione anche oltre le 6 ore", un passaggio che allargherebbe la finestra di pianificazione utile per i gestori delle reti.
Perché il teleriscaldamento è un tassello importante della transizione energetica
Il contesto in cui si inserisce questo lavoro di ricerca aiuta a capirne la rilevanza. In Europa sono attive circa 19.000 reti di teleriscaldamento, che complessivamente servono oltre 77 milioni di persone, con la maggiore diffusione nei paesi del Nord Europa. Riscaldamento e raffrescamento pesano insieme per quasi la metà dei consumi energetici finali dell'Unione Europea, ma restano tra i settori più dipendenti dai combustibili fossili: nel 2022 le fonti rinnovabili coprivano solo il 25% circa della produzione di calore nel continente. La direttiva europea sull'efficienza energetica 2023/1791 spinge esplicitamente verso reti di teleriscaldamento e teleraffrescamento "efficienti", capaci cioè di integrare quote crescenti di calore rinnovabile o di scarto recuperato, anche da fonti distribuite come quelle dei prosumer. Strumenti predittivi come quello sviluppato da ENEA sono precisamente il tipo di tecnologia abilitante che serve per gestire in modo affidabile questa transizione, permettendo ai gestori delle reti di programmare l'uso delle fonti di calore tradizionali (caldaie, cogenerazione) in funzione di quanto calore rinnovabile e distribuito è atteso nelle ore successive, invece di trattarlo come una variabile imprevedibile da compensare a posteriori.
Un modello di ricerca, non ancora uno strumento di esercizio
Va detto con chiarezza che il lavoro presentato da ENEA è, ad oggi, un risultato di ricerca pubblicato sulla rivista scientifica Energies e validato su dati simulati, non uno strumento già installato e in funzione su una rete di teleriscaldamento reale. Il passaggio da un modello che funziona bene su tredici anni di simulazioni a un sistema di controllo operativo che un gestore di rete possa usare ogni giorno per bilanciare produzione e domanda richiede ancora fasi di test sul campo, integrazione con i sistemi SCADA di supervisione delle reti esistenti e, probabilmente, un adattamento del modello alle caratteristiche specifiche di ogni singola rete — la disposizione dei prosumer, il mix di fonti di calore, il clima locale non sono uguali da una città all'altra. È un percorso tipico per questo tipo di strumenti predittivi basati su intelligenza artificiale applicati alle infrastrutture energetiche, dove il valore del risultato scientifico sta soprattutto nel dimostrare la fattibilità dell'approccio, più che nel fornire già un prodotto pronto per il mercato.
Perché interessa il settore
Il caso ENEA si inserisce in una tendenza più ampia che riguarda tutte le reti energetiche — elettriche, del gas, termiche — chiamate a gestire una produzione sempre più distribuita e variabile: l'intelligenza artificiale applicata alla previsione a breve termine sta diventando uno strumento chiave non tanto per generare più energia, quanto per usare meglio quella già disponibile, riducendo sprechi e migliorando l'integrazione delle fonti rinnovabili senza dover necessariamente sovradimensionare le infrastrutture. Nel caso specifico del teleriscaldamento, un settore che in Italia resta relativamente meno digitalizzato rispetto alla rete elettrica, la disponibilità di modelli predittivi open e validati scientificamente come quello di ENEA potrebbe accelerare l'adozione di logiche di gestione "smart" anche da parte di operatori di rete di dimensioni medio-piccole, che difficilmente svilupperebbero da soli strumenti di intelligenza artificiale su misura. Resta da vedere quanto rapidamente questi risultati di laboratorio troveranno la strada di una rete di teleriscaldamento reale, ma la direzione — reti termiche sempre più bidirezionali, distribuite e gestite con il supporto dell'IA — è ormai la stessa che si osserva da anni sulla rete elettrica.
Fonte: ENEA, "Energia: teleriscaldamento, ENEA sviluppa modello IA per reti più smart", con approfondimenti da ENEA - Dipartimento Unità per l'Efficienza Energetica e MeteoWeb, "Energia, teleriscaldamento: ENEA sviluppa modello IA per reti più smart".
