Introduzione

La rete elettrica sta attraversando una trasformazione fondamentale, guidata dagli imperativi duali di decarbonizzazione e digitalizzazione¹. Con la crescente penetrazione delle fonti rinnovabili^2,3, la proliferazione dei veicoli elettrici (EV)^4,5 e la diffusione di risorse energetiche distribuite⁶, i sistemi di potenza si stanno evolvendo verso infrastrutture complesse, ricche di dati e altamente dinamiche. Questi sviluppi, se da un lato aprono la strada a un futuro energetico più sostenibile⁷, dall’altro introducono sfide operative senza precedenti⁸, mettendo a dura prova la capacità dei tradizionali modelli di dispatch centrati sull’intervento umano^9,10.

Le sfide operative delle smart grid

Nei tradizionali centri di dispatch, gli operatori sono responsabili del bilanciamento del carico, della programmazione della generazione, della valutazione della sicurezza e dell’interconnessione multi‑area, utilizzando una suite di software specialistici e una profonda competenza di dominio (vedi Nota Supplementare 1). Questo modello ha funzionato per decenni, ma l’interruzione di massa della penisola iberica del 2025 ha dimostrato come risposte lente, frammentazione strutturale e dipendenza da interventi manuali possano trasformare guasti localizzati in blackout regionali in condizioni di rete moderne^11‑13. Recenti studi hanno evidenziato un cambiamento verso flussi di lavoro ibridi o autonomi, con gli operatori che assumono ruoli sempre più assistiti dall’intelligenza artificiale (AI) ¹¹. Le prime applicazioni di assistenti operativi basati su AI sono già in fase di sperimentazione in diversi contesti^14,15, con particolare attenzione a interfacce di “iper‑visione”, interazione bidirezionale e funzioni di supporto decisionale in tempo reale (Marot et al.¹⁶).

Intelligenza artificiale centrata sull’uomo e spiegabilità

Il pensiero dell’Human‑Centered AI (HCAI)²¹ e dell’Explainable AI (XAI)²² (vedi Nota Supplementare 2) ha guidato gli ultimi progressi, soprattutto con l’emergere di Large Language Models (LLM), sistemi multi‑agent e Model Context Protocol (MCP)²³. L’integrazione di agenti intelligenti nei flussi di lavoro delle sale di controllo può migliorare la consapevolezza situazionale, automatizzare compiti di routine¹⁴ e fornire decisioni adattive e spiegabili. Tali sistemi devono essere progettati attorno a affidabilità, trasparenza, interazione adattiva uomo‑AI e apprendimento continuo²⁴, più che alla pura automazione. In particolare, la letteratura sul coinvolgimento umano in infrastrutture di rete critiche evidenzia l’importanza della trasparenza cognitiva, dell’allocazione funzionale, del co‑learning e di una supervisione umana significativa²⁵. In un contesto di smart grid in evoluzione continua — con integrazione di rinnovabili, elettrificazione, prosumer e interfacce cyber‑fisiche — gli strumenti software devono riconfigurarsi e adattarsi più frequentemente. I Large Model Agents (LMA) offrono la flessibilità necessaria, fungendo da interfacce cognitive in grado di integrare e far evolvere dinamicamente i flussi di lavoro operativi.

Contributi principali

Questo lavoro si propone di dimostrare che gli LMA non sono destinati a sostituire gli operatori, ma a potenziare la loro cognizione, tracciare le decisioni e favorire la partecipazione cooperativa. I contributi distinti sono:

Personalizzazione di agenti orientati all’operazione: proposta di una pipeline sistematica per adattare modelli di base a agenti di dispatch specifici, integrando dataset sensibili al compito, log SCADA, manuali operativi e telemetria in tempo reale. La strategia comprende Retrieval‑Augmented Generation (RAG), ingegneria del contesto, template di prompt co‑progettati con esperti, allineamento di sicurezza e deployment progressivo.
Architettura “Mixture‑of‑Agents” (MOA) per la rete: introduzione di un paradigma MOA in cui agenti funzionali simulano il ragionamento e le responsabilità dei desk di controllo, garantendo interpretabilità, intelligenza composizionale e integrazione plug‑and‑play con sistemi EMS/SCADA esistenti.
Strategia di deployment progressivo: proposta di un approccio a tre fasi: (1) assistenti “smart‑patch” per compiti ad alto carico cognitivo; (2) espansione orizzontale di agenti collaborativi su tutte le funzioni di controllo; (3) coordinamento tramite agenti supervisori in un framework federato di apprendimento permanente.
Allineamento operativo con ecosistemi aperti: collegamento delle capacità AI con la sicurezza del sistema elettrico, allineando agenti istruzione‑tuned a comunità open‑source, standard emergenti come MCP e percorsi regolamentari, favorendo deployment interoperabili, trasparenti e fidati per infrastrutture critiche nazionali.

Architettura a mix di agenti (MOA)

Invece di adottare un unico sistema AI monolitico, l’approccio MOA suddivide le funzioni operative in agenti specializzati. Ogni agente è responsabile di un desk specifico (es. bilanciamento carico‑generazione, gestione delle emergenze, ottimizzazione del mercato). Gli agenti comunicano attraverso protocolli standardizzati (es. MCP) e possono essere aggiunti o rimossi senza interrompere l’intero EMS. Questa struttura favorisce:

Interpretabilità: le decisioni di ciascun agente sono tracciabili e possono essere ricontrollate dagli operatori.
Intelligenza composizionale: combinando output di più agenti si ottengono soluzioni più robuste rispetto a un singolo modello.
Scalabilità plug‑and‑play: nuovi moduli (es. gestione di stoccaggi di energia) possono essere integrati rapidamente.

Strategia di deployment progressivo

Il percorso di introduzione degli LMA nella rete è strutturato in tre fasi:

1. Smart‑patch assistants

Assistenti mirati a compiti ad alto carico cognitivo, come l’analisi di allarmi complessi o la generazione di report di stato. Questi agenti operano in modalità “assistita”, con il risultato presentato all’operatore per conferma.

2. Espansione collaborativa

Distribuzione di agenti su tutti i desk di controllo, creando una rete collaborativa che scambia informazioni in tempo reale. Qui si sperimentano funzioni di automazione più avanzate, pur mantenendo una supervisione umana costante.