SCADA: monitoring reattivo per definizione
SCADA (Supervisory Control And Data Acquisition) è una tecnologia nata negli anni '70 per il controllo industriale dei processi. L'architettura è semplice nella sua struttura fondamentale: sensori e PLC raccolgono dati dal campo, li trasmettono a un sistema centrale, che li visualizza in tempo reale e attiva alert quando una variabile supera una soglia configurata.
I protocolli standard — OPC-UA, Modbus, DNP3 — sono consolidati, affidabili, ben supportati dall'ecosistema di vendor. Per un impianto FV da 1 MW, un sistema SCADA moderno fornisce: telemetria inverter a 1-5 minuti, monitoraggio stringa, alert su producibilità sotto soglia, log degli eventi di guasto. È indispensabile. Non è sufficiente.
Il limite strutturale dello SCADA non è tecnico — è epistemologico. Uno SCADA risponde alla domanda "cosa sta succedendo adesso?" con la latenza del ciclo di polling. Non ha modello del comportamento atteso dell'impianto, non distingue tra una performance degradata per cause meteorologiche e una performance degradata per un guasto nascente, non anticipa nulla.
Digital twin: un modello, non un dashboard
Un digital twin è un modello computazionale calibrato su dati fisici reali di un asset specifico. Non è un sinonimo avanzato di dashboard, né un sistema di monitoring più sofisticato. È un gemello digitale: riceve gli stessi input che riceve l'asset fisico (irraggiamento, temperatura, configurazione), simula il comportamento atteso, e confronta continuamente la simulazione con la misura reale.
La differenza operativa è precisa: lo SCADA ti dice che la stringa 3 ha prodotto 42 kWh oggi. Il digital twin ti dice che la stringa 3 avrebbe dovuto produrre 58 kWh con l'irraggiamento misurato oggi, quindi c'è un delta di -27% che non è spiegabile dalla meteorologia. Questo delta è un segnale di guasto nascente, visibile settimane prima che la curva IV degeneri abbastanza da superare la soglia di alert SCADA.
Lo stack tecnico open-source
L'ecosistema open-source per digital twin energetici è maturo. FIWARE NGSI-LD fornisce il broker di contesto — uno strato semantico che modella gli asset come entità con attributi e relazioni, espresso in formato JSON-LD con ontologie standardizzate. InfluxDB gestisce le serie temporali ad alta frequenza. Grafana si occupa della visualizzazione, con plugin specifici per dati energetici.
Il layer critico è l'astrazione del twin: Eclipse Ditto è il framework open-source più maturo per modellare asset digitali con stato persistente e twin API. Espone ogni asset come una risorsa REST con lo stato corrente e la storia degli eventi.
Le ontologie meritano attenzione: SAREF4ENER (Smart Appliances REFerence per il settore energetico, standard ETSI) e BRICK Schema (per edifici e sistemi HVAC) forniscono il vocabolario semantico per descrivere impianti, sensori e relazioni tra componenti in modo interoperabile. Usare ontologie standard rende il twin interoperabile con DSO, aggregatori e piattaforme di flessibilità.
Un caso reale: 6 settimane di anticipo
Su un impianto FV da 2 MW in gestione, il digital twin ha rilevato un derating progressivo sulla stringa 3 con 6 settimane di anticipo rispetto alla soglia di alert SCADA. Il segnale era sottile: delta di performance costante al -8% rispetto al modello, non abbastanza grande da scattare l'alert, ma persistente e con trend peggiorativo di 0.3 punti percentuali a settimana.
L'intervento programmato ha consentito di sostituire i moduli degradati durante una finestra di manutenzione pianificata, in una giornata parzialmente nuvolosa, con squadra già in loco per altra attività. Il confronto con uno scenario di sostituzione emergenziale — chiamata urgente, noleggio piattaforma aerea last-minute, perdita di produzione sull'intera stringa durante l'attesa — ha quantificato un risparmio di circa €8.000 su quell'evento singolo. Su un portafoglio di 20-30 impianti, questo tipo di rilevamento rappresenta un risparmio strutturale rilevante.
Il processo di calibrazione
Un digital twin non è preciso di default: richiede calibrazione. Il processo standard prevede un fitting del modello fisico sui dati storici dell'impianto (tipicamente 12-24 mesi), validazione su un hold-out set temporale, e misurazione delle metriche di accuratezza: MAPE (Mean Absolute Percentage Error) e RMSE (Root Mean Square Error) rispetto alla produzione reale.
La re-calibrazione è trimestrale nel regime di esercizio, con aggiornamento straordinario dopo eventi che modificano le caratteristiche dell'impianto (sostituzione moduli, pulizia pannelli, variazione di shading per nuova vegetazione). Un modello non ri-calibrato diverge progressivamente dai dati reali e produce falsi positivi — alert di anomalia che in realtà riflettono un cambiamento fisico legittimo non catturato dal modello.
Quando il digital twin non conviene
La soglia di convenienza economica per un digital twin su impianto FV è indicativamente 500 kW. Sotto questa dimensione, il costo di setup — integrazione dati, calibrazione, manutenzione del modello — supera il beneficio atteso in termini di mancata produzione evitata. Per impianti inferiori a 200 kW, uno SCADA con alert configurati correttamente è sufficiente.
La scelta non è tra SCADA e digital twin: sono complementari. Lo SCADA è il sistema di controllo operativo; il digital twin è il sistema di intelligenza predittiva. Un impianto ben gestito usa entrambi.
Il digital twin Solaria è addestrato sui dati reali degli impianti che gestiamo. Non usiamo dati sintetici o pubblici come training set — ogni modello è calibrato sull'impianto specifico, con i suoi dati storici, la sua esposizione, le sue anomalie già viste. Questo è il motivo per cui un digital twin gestito da chi conosce fisicamente l'impianto è più affidabile di uno costruito su dati generici.
