Retelit -

Metro de Madrid taglia del 25% i consumi energetici con un sistema di AI ispirato alle api

di Letizia Cilente, Communication Manager - Retelit
05 agosto 2019Blog
Retelit -

La soluzione di Intelligenza Artificiale di Metro de Madrid e Accenture ha permesso di tagliare 1800 tonnellate di CO2 in un anno riducendo i costi energetici della ventilazione nelle stazioni metropolitane del 25%.

Prima della soluzione basata su algoritmi di Artificial Intelligence i ventilatori della metropolitana di Madrid erano controllati da un programma basato su tre livelli: inverno, estate, mezza stagione. 

“Noi abbiamo creato la possibilità di decidere tre volte al giorno come devono funzionare i ventilatori immettendo nel software di intelligenza artificiale dati quali previsioni del tempo e della temperatura atmosferica, costo dell’elettricità nell’arco della giornata, struttura della stazione, frequenza dei treni, numero di passeggeri o restrizioni operative, come per esempio lavori in un tunnel”, ha spiegato un tecnico della metropolitana a Nova.

Si tratta di un algoritmo che analizza tutte le combinazioni di dati, siano essi previsionali, storici o statistici forniti da fonti esterne (come il meteo) o dai sensori e offre uno schema accurato che permette ai ventilatori di funzionare ottimizzando i consumi.

Questo sistema frutto della collaborazione tra gli ingegneri della Metro de Madrid e il team di AI di Accenture si ispira al comportamento delle api: cercando fiori con il miglior nettare inizialmente le api si muovono da corolla in corolla, dopo un certo periodo di tempo, non trovando nettare soddisfacente, si spostano segnalando alle altre api di evitare determinare aree. 

Un lavoro di ricerca, analisi e ottimizzazione insomma che nel caso della Metro de Madrid possiamo definire “artificial bee colony”: individuare a partire da ingenti quantità di dati le combinazioni di utilizzo ideali che migliorano la qualità dell’aria e garantiscono efficienza energetica. 

  • gen
  • feb
  • mar
  • apr
  • mag
  • giu
  • lug
  • ago
  • set
  • ott
  • nov
  • dic