In questo articolo cerchiamo di capire come si dimostra il risparmio energetico derivante dalle nuove soluzioni adottate. Si tratta infatti di un requisito necessario per ottenere un'agevolazione nell'ambito della Transizione 5.0..

Concetti di base e definizioni operative

Processo. Sottoinsieme omogeneo di attività su cui agisce l’investimento (linea, cella, reparto). Occorre fissare: (i) perimetro fisico (macchine, utilities, ausiliari, HVAC, aria compressa, vapore, vuoto, gas tecnici), (ii) perimetro funzionale rispetto all’output (pezzi, kg, m², lotti). Ogni elemento fuori perimetro è escluso sia dalla baseline sia dal post.

Confini energetici e allocazione. Se più processi condividono utilities (aria compressa, vapore, chiller) occorre un criterio di ripartizione: (a) top‑down tramite sotto‑contatori a valle; (b) bottom‑up con modelli ingegneristici (potenza specifica × ore × rendimento); (c) approccio ibrido con correzioni su base regressiva. La scelta va motivata e mantenuta coerente fra ante e post.

Baseline. Condizione di riferimento ex ante costruita su un periodo rappresentativo (preferibilmente ≥ 3–6 mesi operativi completi), privo di anomalie e con evidenza delle variabili di controllo. In presenza di stagionalità o cambi di mix, si segmenta la baseline in sotto‑periodi omogenei.

EnPI (Energy Performance Indicator). Rapporto fra energia imputabile al processo e quantità di output:

\[\mathrm{EnPI} = \frac{E}{Q}\,,\qquad \mathrm{EnPI}\in\{\mathrm{kWh/pezzo},\ \mathrm{kWh/kg},\ \mathrm{kWh/m^2},\ \mathrm{kWh/lotto}\}\]

Il rispetto del requisito riguarda l’intensità energetica (EnPI), non il consumo assoluto. Un buon EnPI è misurabile, sensibile agli interventi, stabile rispetto a fattori esogeni e comprensibile dagli operatori.

Variazione di prestazione.

\[\Delta\% = \frac{\mathrm{EnPI}_{\text{post}}-\mathrm{EnPI}_{\text{base}}}{\mathrm{EnPI}_{\text{base}}}\times 100\]

con E energia imputabile al processo (somma dei vettori convertiti in kWh con fattori documentati) e Q output normalizzato (metrologicamente tracciabile, privo di gap).

Normalizzazione. Correzioni per rendere confrontabili periodi con condizioni diverse: volume e mix, tassi di scarto, ore/turni, profili di set‑point, condizioni termoigrometriche, utilizzo ausiliari. Senza normalizzazione, la variazione percentuale perde significato causale. La normalizzazione può essere deterministica (fattori di correzione) o statistica (modelli).

Baseline controfattuale. Se manca lo storico (nuove linee o revamping profondo), la baseline può essere stimata da dati del costruttore, prove in campo o benchmarking tracciabile; il modello usato ex ante deve essere lo stesso applicato ex post.

Impianto metodologico per la dimostrazione

Il riferimento metodologico è quello di ISO 50001/50006 (sistemi di gestione ed EnPI) e del IPMVP (opzioni A/B/C). Una pipeline M&V robusta segue questo schema logico:

• Selezione dell’EnPI in funzione della fisica di processo e della metrica di valore (pezzi, kg, m²). L’EnPI deve correlare monotonicamente con gli sforzi di efficientamento.
• Piano di misura: scelta strumenti (contatori conformi MID, analizzatori di rete IEC, misuratori di portata/entalpia, trasduttori), posizionamento, frequenza di campionamento, sincronizzazione temporale, calibrazione e tracciabilità ISO/IEC 17025.
• Costruzione baseline: periodo rappresentativo, rimozione outlier (IQR, Hampel), tracciabilità variabili d’influenza, data lineage.
• Modello di normalizzazione: da fattori di correzione documentati a regressioni multivariate del tipo \(E = \beta_0 + \beta_1 Q + \sum_i \beta_i X_i + \varepsilon\), stima OLS o robusta; validazione (\(R^2\), MAE/MAPE, AIC, analisi residui, autocorrelazione, collinearità).
• Verifica ex post: applicazione del medesimo modello ai dati post, confronto fra EnPI normalizzati, stima del risparmio e della incertezza complessiva, redazione della relazione tecnica con riproducibilità dei calcoli.

In presenza di cambi organizzativi (nuovi turni, tempi di attrezzaggio, nuovi codici prodotto) si documentano le discontinuità e, se necessario, si costruiscono modelli piecewise o si includono dummy variables. Per carichi con memoria (forni continui, estrusione) considerare errori autoregressivi (GLS) o ARIMAX.

Modello dati, strumenti e qualità della misura

Tracciabilità e time‑sync. Tutte le sorgenti dati (contatori, PLC, SCADA, MES, WMS) devono condividere riferimento temporale (NTP o PTP). Ogni record porta timestamp, ID macchina, ID lotto/ordine e utente/ruolo per l’audit trail. Prevedere naming convention e dizionario dati.

Strumentazione.

• Elettrico: analizzatori classe 0.5S/1 (IEC 62053/61000), errore \(<1\%\), campionamento a 1–15 min (o waveform per transitori).
• Termico: misuratori di portata (vapore, gas, olio diatermico), temperature/pressioni per entalpia; PCI aggiornato. Esplicitare incertezza combinata.
• Aria compressa: portata o energia equivalente (kWh) considerando efficienza compressori e condizioni standard.

Campionamento e aliasing. Frequenza sufficiente a catturare transitori di setup, avviamenti, cicli termici. Per cicli lenti bastano 5–15 min; per processi rapidi servono granularità inferiori o eventi sincroni (start/stop ciclo) dai PLC. Principio di Nyquist‑Shannon: campionare ≥ 2× la frequenza del fenomeno più rapido.

Data quality. Gestire missing, spike, roll‑over, doppie letture; conservare grezzi e versioni pulite (curated) con log delle trasformazioni. Utili controlli di coerenza energetica (bilanci semplificati) e regole di validazione automatica.

Procedura M&V in pratica

Si definiscono confini e EnPI, poi si raccolgono i dati ex ante con le variabili d’influenza. Si costruisce la baseline e il modello di normalizzazione. Dopo l’investimento si misura l’ex post nelle stesse condizioni operative o si applica il medesimo modello per correggere le differenze. La differenza relativa fra EnPI normalizzati è il risparmio.

Selezione del periodo rappresentativo. Coprire turni, mix prodotto, stagionalità, stati di carico diversi. In caso di drift operativo, motivare la selezione delle finestre e includere sensitivity analysis.

Diagnostica del modello. Analizzare residui (normalità, omoschedasticità), autocorrelazione (Durbin‑Watson), influenza (Cook’s distance), collinearità (VIF). In caso di violazioni, usare regressioni robuste o trasformazioni (Box‑Cox) ed esplicitare l’impatto su \(\Delta\%\).

Power analysis. Selezionare una dimensione campionaria sufficiente a rilevare una variazione del 5% con α e potenza dichiarati (ad es. α=0,05; potenza=0,8), basandosi sulla varianza osservata dell’EnPI.

Change‑point detection. Per confermare lo “shift” di prestazione, usare CUSUM o metodi Bayesian online change‑point su serie EnPI: utile quando gli effetti non sono immediati ma graduali.

Caso applicativo con calcoli estesi

Scenario A — stampaggio + trattamento termico.

Baseline. Output \(Q_{base}=1{,}000{,}000\,\mathrm{kg/a}\); energia equivalente \(E_{base}=500{,}000\,\mathrm{kWh/a}\). Quindi \(\mathrm{EnPI}_{base}=0{,}50\,\mathrm{kWh/kg}\). Variabili: mix lega (dummy), profilo forni (set‑point), tasso scarti.

Intervento. Pressa 4.0 interconnessa (riduzione tempi ciclo), forni con recupero calore, MES per orchestrazione setup/fermi e balancing carichi.

Post. A parità di mix e set‑point normalizzati: \(\mathrm{EnPI}_{post}=0{,}47\,\mathrm{kWh/kg}\). Variazione:

\[\Delta\%=\frac{0{,}47-0{,}50}{0{,}50}\times100=-6\%\]

Requisito −5% superato. Se l’output cresce del 10% (\(Q_{post}=1{,}100{,}000\,\mathrm{kg}\)), il consumo totale può salire a ~517.000 kWh, ma l’intensità rimane inferiore alla baseline normalizzata.

Incertezza numerica (sketch). Incertezze relative: \(u_r(E_{base})=0{,}8\%\), \(u_r(Q_{base})=0{,}5\%\); \(u_r(E_{post})=1{,}0\%\), \(u_r(Q_{post})=0{,}5\%\). Con correlazione trascurabile: \(u_r(\mathrm{EnPI}_{base})\approx0{,}94\%\), \(u_r(\mathrm{EnPI}_{post})\approx1{,}12\%\). U₉₅ della differenza ~1–2 p.p. Se l’intervallo a 95% non include 0 e sta sotto −5%, la prova è robusta.

Scenario B — verniciatura industriale.

EnPI. \(\mathrm{kWh}/\mathrm{m}^2\) verniciati. Variabili di normalizzazione: spessore film (\(\mu\)), numero mani, colore (coprenza), umidità/temperatura cabina.

Baseline. \(E_{base}=240{,}000\,\mathrm{kWh/a}\), \(A_{base}=120{,}000\,\mathrm{m}^2\) → \(\mathrm{EnPI}_{base}=2{,}00\,\mathrm{kWh/m}^2\).

Intervento. Forni IR più efficienti, recupero calore, controllo ottimizzato del tiro aria, MES per ridurre set‑up a vuoto.

Post. \(E_{post}=230{,}000\,\mathrm{kWh/a}\), \(A_{post}=125{,}000\,\mathrm{m}^2\), ma con spessori medi maggiori (\(+8\%\)). Normalizzando per spessore (modello \(\mathrm{EnPI}\propto \mu\)) si ottiene un \(\mathrm{EnPI}_{post,norm}\approx1{,}88\,\mathrm{kWh/m}^2\) → −6% rispetto alla baseline.

Controlli di qualità. Chart di controllo sull’EnPI per intercettare drift di impianto (ugelli, filtri, lampade IR) e mantenere il guadagno nel tempo.

Esempio di dataset e calcoli

Passi sintetici. (1) fit regressivo \(E=f(Q,\text{mix},\text{set\text{-}point})\); (2) calcolo EnPI normalizzati; (3) confronto media post vs base; (4) intervallo di confidenza su \(\Delta\%\); (5) test di robustezza (leave‑one‑out) e verifica di coerenza fisica.

Incertezza, significatività e robustezza

La riduzione va dimostrata con credibilità statistica. Per misure indirette, l’incertezza relativa dell’EnPI può essere stimata con propagazione degli errori:

\[u_r^2(\mathrm{EnPI}) \approx u_r^2(E) + u_r^2(Q) - 2\,\rho_{E,Q}\,u_r(E)\,u_r(Q)\]

La varianza della differenza percentuale si ottiene propagando gli EnPI base e post (considerando eventuale correlazione se si riusano gli stessi strumenti). Riportare intervalli di confidenza (95%), sensitività ai driver (set‑point, mix), stress test del modello (train/test split, k‑fold, residui nel tempo). Per processi con autocorrelazione marcata usare ARIMA/ARIMAX o GLS.

Monte Carlo. Utile quando le incertezze non sono gaussiane o i modelli sono non lineari: campionare distribuzioni di input (strumenti, fattori di correzione) e stimare la distribuzione di \(\Delta\%\).

Data governance, interconnessione e cyber‑resilienza

• Interconnessione standard (OPC UA/MQTT/REST) fra PLC/SCADA e MES per acquisire cicli, stati, allarmi con semantica coerente.
• Data pipeline: staging (grezzo) → cleaning (regole) → curated (normalizzato), con versionamento e lineage delle trasformazioni.
• Sicurezza: controllo accessi (MFA), segregazione reti IT/OT, backup 3–2–1 con copia immutabile, audit log degli accessi e delle modifiche ai dataset.
• Qualità del dato continua: metriche (completezza, accuratezza, tempestività), soglie di allerta e data steward nominati.

Iter documentale e vincoli amministrativi

L’iter è digitale su portale dedicato e prevede: prenotazione delle risorse (comunicazione preventiva), conferma del 20% dopo ordini/acconti, quindi completamento con certificazione ex post. Le fasi tecniche richiedono modello di certificazione e relazione sia ex ante sia ex post, con allegati tecnici e dataset. Il sistema applica controlli formali (massimali per certificazioni e formazione, completezza campi) e ricalcola il beneficio sui valori ex post, purché resti superata la soglia minima (3%/5%).

Tracciabilità amministrativa. Conservare ordini, DDT, fatture, verbali di collaudo, report di interconnessione, schermate MES/SCADA con timestamp, export contatori, log prove di ripristino dei sistemi.

Calendario tipico. T‑0 definizione perimetro e piano M&V; T+30 gg installazione strumenti e sincronizzazione; T+60 gg snapshot baseline; T+90 gg ordini/20%; T+180 gg collaudo; T+210 gg misure post; T+240 gg completamento.

Errori ricorrenti e strategie di prevenzione

• Usare consumi totali senza EnPI: si confonde crescita produttiva con efficienza.
• Trascurare interconnessione o scegliere software fuori dagli Allegati: rischio di non eleggibilità e perdita di dati utili all’M&V.
• Strumenti non idonei o calibrazioni scadute: l’incertezza esplode e la prova si indebolisce.
• Normalizzazione incompleta: si attribuiscono a efficienza variazioni dovute a mix o set‑point.
• Ignorare massimali o campi obbligatori del portale: scarti formali e ritardi.
• Nessuna stima di incertezza: risultato non difendibile in audit.

Mitigazioni. Architettura dati curata (ID coerenti, time‑sync, audit trail), piano di misura documentato, baseline solida, modello validato, allegati completi e replicabili, controlli statistici in esercizio (Shewhart/CUSUM sull’EnPI).

Come impostare il progetto in fabbrica

• Costruire una mappa energetica del processo (nodi, vettori, flussi, punti di misura, interfacce IT/OT).
• Selezionare l’EnPI in funzione del valore prodotto (pezzo, kg, m²) e della sensibilità al miglioramento.
• Definire variabili di normalizzazione e raccogliere fin da subito i relativi dati (mix, set‑point, scarti, tempi di setup, ore/turni, condizioni ambientali).
• Integrare la catena tecnologica: beni Allegato A (macchine, sensori), software Allegato B (MES, schedulazione, energy monitoring) ed eventuale FER per autoconsumo.
• Mettere a budget certificazioni e formazione entro i limiti; definire un calendario con milestone tecniche (installazione strumenti, collaudi, training, snapshot baseline, misure post), ruoli e responsabilità (produzione, manutenzione, IT/OT, energy manager, consulenti).
• Preparare la documentazione ex ante (perimetro, piano M&V, baseline, modelli) così da arrivare al completamento con dataset puliti, tracciabili e versionati.

Domande frequenti in chiave tecnica

È sufficiente il −5% sul processo? Sì: è la soglia minima alternativa al 3% sulla struttura. L’aliquota dipende dalla fascia di risparmio e dallo scaglione d’investimento.

Se il risparmio consuntivo è inferiore alla stima? L’agevolazione viene ricalcolata sui valori ex post; se si scende sotto la soglia minima il diritto decade.

Quali documenti sono essenziali? Per ciascuna fase: certificazione e relazione tecnica con perimetro, metodo M&V, dati grezzi e normalizzati, calcoli, incertezza, tracciabilità; allegare schemi impiantistici, evidenze di interconnessione e log di misura.

Qual è un buon criterio per scegliere l’EnPI? Scegline uno che (i) sia misurabile con incertezza controllata, (ii) abbia nesso fisico col processo, (iii) sia sensibile agli interventi previsti e (iv) non sia facilmente “distorto” da fattori esogeni.

Come collegare M&V a KPI operativi? Integra l’EnPI con OEE, scarti e puntualità: l’efficienza energetica non deve peggiorare la produttività. Valuta trade‑off con schedulazione (batch size, setup) tramite simulazioni APS.

Glossario essenziale

EnPI: Energy Performance Indicator, rapporto energia/output.

Baseline: stato di riferimento ex ante; può essere storica o controfattuale.

Normalizzazione: correzione statistica per rendere comparabili periodi con condizioni diverse.

IPMVP: protocollo per piani di M&V (opzioni A/B/C) con livelli di misura e modellazione differenti.

U₉₅: incertezza estesa al 95% di confidenza; utile per valutare la robustezza del risultato.

Audit trail: tracciato di chi, quando e come ha modificato dati o configurazioni.

GLS/ARIMAX: modelli per gestire autocorrelazione ed effetti esogeni nelle serie temporali energetiche.