Il trasporto contribuisce per quasi il 25% alle emissioni totali di gas serra in Europa ed è la principale causa di inquinamento urbano. La decarbonizzazione del trasporto urbano e l’incremento dell’uso dei trasporti pubblici risultano quindi strategici. Tuttavia, le infrastrutture esistenti richiedono miglioramenti.
L’integrazione di modelli affidabili di Sistemi di Elettrificazione della Trazione Urbana (UTES) e Veicoli del Trasporto Pubblico (PTV) permetterebbe di ottimizzare la rete, rilevare criticità e adottare interventi preventivi secondo la manutenzione predittiva.
Le grandezze da monitorare in quasi tempo reale includono posizioni dei veicoli, domanda elettrica, correnti, tensioni e contributi delle sottostazioni. Per superare i limiti dei modelli attuali, si propone un Digital Twin (DT), replica digitale del sistema fisico per ottimizzazione e predizione di problemi tramite AI, machine learning e big data.
Obiettivi: individuare barriere e strategie di DT per UTES, sviluppare uno smart meter low-cost, progettare un prototipo di DT open source multilivello, e applicarlo a integrazione DC e Predictive Maintenance.
Il progetto sarà supportato per tutte le attività del progetto da due aziende: Infra.To e GTT.
Settori scientifici coinvolti
