Sintesi non tecnica
- Che cosa risolve
- Una rete di vapore industriale può essere alimentata in molti modi: alcuni costano meno e emettono meno.
- A chi può servire
- Chi gestisce utility industriali e chi studia ottimizzazione dei costi energetici.
- Che cosa produce
- Costo attuale e costo ottimo a confronto, come distribuire il vapore, e la differenza di emissioni. Su domanda simulata e prezzi reali o configurabili.
Valutare dispatch e costo di una rete vapore con un problema di ottimizzazione trasparente e confrontabile con una policy di riferimento.
3 · Cosa produce
Costo riferimento/ottimo, dispatch vapore, ΔCO₂ da combustione diretta, shadow price LP e valori marginali MILP perturbativi.
Le card mostrano più viste dello stesso workflow per distinguere risultato, metodo, evidenze e storico. La domanda utility dimostrativa usa dati sintetici (dati simulati); prezzi e scenari sono dichiarati separatamente.
4 · Come funziona
Bilanci utilities + LP/MILP + reference policy congelata
1domanda vapore basata su dati sintetici (dati simulati), capacità/efficienze, TTF EEX, prezzo day-ahead per bidding zone italiana Energy-Charts con licenza verificata, EUA
2HiGHS LP e MILP; dispatch e perturb/re-opt
3fattibilità, bilanci, ottimalità, tempo soluzione, stabilità, reference policy
4Persistenza, rendering e pubblicazione governata.
5 · Dati e segnali
| Elemento | Dettaglio |
|---|---|
| Dati e segnali | domanda vapore basata su dati sintetici (dati simulati), capacità/efficienze, TTF EEX, prezzo day-ahead per bidding zone italiana Energy-Charts con licenza verificata, EUA |
| Trasferibilità industriale | energy management, steam balancing, capacity debottlenecking |
| Ricerca | dualità LP, unit commitment e sensitività |
| Condizione di lettura | domanda utility basata su dati sintetici (dati simulati); saving modellato, non risparmio reale misurato; bilancio elettrico non modellato |
HiGHS LP e MILP; dispatch e perturb/re-opt
fattibilità, bilanci, ottimalità, tempo soluzione, stabilità, reference policy
Python, SciPy HiGHS, NumPy, pandas, SQLite, Matplotlib
chiamare duali MILP i valori marginali o presentare saving simulato come risparmio reale
Dossier tecnico del workflow
Metodi, verifiche, stack e condizioni di trasferibilità.
Dati e segnali
domanda vapore basata su dati sintetici (dati simulati), capacità/efficienze, TTF EEX, prezzo day-ahead per bidding zone italiana Energy-Charts con licenza verificata, EUA
Inferenza / calcolo
HiGHS LP e MILP; dispatch e perturb/re-opt
Validazione
fattibilità, bilanci, ottimalità, tempo soluzione, stabilità, reference policy
Stack
Python, SciPy HiGHS, NumPy, pandas, SQLite, Matplotlib
Limiti
chiamare duali MILP i valori marginali o presentare saving simulato come risparmio reale
Vedi gli output recenti
La pagina Pubblicazioni raccoglie anteprime locali e, su richiesta, il feed pubblico.
Possibile trasferibilità
Hai un problema che assomiglia a Energy & Steam Optimizer?
Il primo confronto può partire da obiettivo, dati disponibili e criterio di successo, senza inviare informazioni riservate. Un risultato osservato qui non viene assunto automaticamente valido in un altro contesto.