Titolo della tesi: Energy Management of Hybrid Electrochemical and Hydrogen-Based Systems for Decentralized and Sustainable Energy Systems
I sistemi ibridi di accumulo energetico sono essenziali per consentire un'elevata diffusione delle energie rinnovabili e raggiungere la neutralità climatica. La loro funzione è quella di immagazzinare l’energia prodotta in eccesso e rilasciarla quando la fonte rinnovabile non è sufficiente a soddisfare la domanda, garantendo così la stabilità della rete. A causa dell’aumento della complessità delle reti energetiche, è cresciuta la necessità di implementare sistemi di supervisione avanzati in grado di ottimizzare i flussi di energia in tempo reale. Pertanto, la sfida consiste nello sviluppare sistemi di gestione energetica EMS (Energy Management Systems) in grado di funzionare in modo efficiente in condizioni stocastiche, non lineari e dinamiche. Questa tesi mira a contribuire alla modellizzazione, all'analisi e all'ottimizzazione di sistemi energetici ibridi basati su dispositivi elettrochimici e ad idrogeno. In particolare, si concentra sullo sviluppo di metodologie di gestione avanzate in grado di garantire un funzionamento efficiente, affidabile e sostenibile delle future reti energetiche basate su energie rinnovabili. Quando si affronta il discorso relativo alla gestione dell'energia, è fondamentale definire chiaramente il contesto applicativo in cui opera il sistema di accumulo. Ogni applicazione è caratterizzata da requisiti, obiettivi e vincoli operativi unici, che determinano le strategie di gestione ottimali. Pertanto, questo lavoro prende in considerazione tre categorie principali di applicazione di tali sistemi di accumulo: applicazioni civili, mobilità leggera e mobilità pesante. Per ciascuna categoria, vengono analizzati casi studio al fine valutare gli effetti delle diverse metodologie di gestione in termini di efficienza energetica, applicabilità, degrado del sistema e risparmi economici sia a breve che a lungo termine. Le tre categorie principali di EMS esaminate sono i sistemi basati su regole (RB-EMS), sull'ottimizzazione (OB-EMS) e sull'apprendimento (LB-EMS). In tale contesto, la scelta dell’EMS più adatto richiede un'attenta valutazione di diversi parametri chiave, tra cui prestazioni, adattabilità, sforzo computazionale e facilità di implementazione.