IT202300007761A1 - Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento - Google Patents
Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento Download PDFInfo
- Publication number
- IT202300007761A1 IT202300007761A1 IT102023000007761A IT202300007761A IT202300007761A1 IT 202300007761 A1 IT202300007761 A1 IT 202300007761A1 IT 102023000007761 A IT102023000007761 A IT 102023000007761A IT 202300007761 A IT202300007761 A IT 202300007761A IT 202300007761 A1 IT202300007761 A1 IT 202300007761A1
- Authority
- IT
- Italy
- Prior art keywords
- energy consumption
- data
- artificial intelligence
- phase
- measurement
- Prior art date
Links
- 238000005265 energy consumption Methods 0.000 title claims description 113
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims description 92
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims description 46
- 239000001569 carbon dioxide Substances 0.000 title claims description 46
- 238000004519 manufacturing process Methods 0.000 title claims description 45
- 238000000034 method Methods 0.000 title claims description 42
- 238000005259 measurement Methods 0.000 claims description 82
- 238000013473 artificial intelligence Methods 0.000 claims description 69
- 238000005516 engineering process Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 22
- 238000012790 confirmation Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 description 31
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 17
- 229910052799 carbon Inorganic materials 0.000 description 17
- 230000000694 effects Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 235000001270 Allium sibiricum Nutrition 0.000 description 1
- 244000292604 Salvia columbariae Species 0.000 description 1
- 235000012377 Salvia columbariae var. columbariae Nutrition 0.000 description 1
- 235000001498 Salvia hispanica Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000014167 chia Nutrition 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q2220/00—Business processing using cryptography
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
Descrizione dell?invenzione avente per titolo:
?SISTEMA PER LA STIMA DEL CONSUMO ENERGETICO E DELLE EMISSIONI DI DIOSSIDO DI CARBONIO PER LA PRODUZIONE DI CRIPTOVALUTE E RELATIVO METODO DI FUNZIONAMENTO?
Descrizione
Campo della tecnica
La presente invenzione si riferisce all?ambito delle criptovalute e della blockchain. Ancora pi? nel dettaglio, l?invenzione si riferisce ad un sistema e ad un metodo per il calcolo, la predizione e la simulazione del consumo energetico delle blockchain nella computazione di criptovalute.
Arte nota
In questi ultimi anni le politiche green si stanno diffondendo in modo trasversale in molti settori allo scopo di contrastare, o quanto meno arginare, gli effetti dovuti al cambiamento climatico dovute anche alle sempre pi? significative immissioni di gas serra.
Le attivit? dell?uomo sono sempre pi? responsabili di questi cambiamenti, e tra queste, i data center e altre strutture di calcolo su larga scala. Infatti, se da un lato questi data center hanno permesso di raggiungere traguardi scientifici importanti, dall?altro ne ? stato sottostimato il relativo impatto ambientale dato che il consumo di energia si traduce in emissioni di gas serra con i relativi costi ambientali che comporta l?esecuzione dei calcoli mediante i data center.
Le criptovalute, come ad esempio Bitcoin, Ethereum e altre, hanno guadagnato una notevole popolarit? negli ultimi anni grazie al loro potenziale di transazioni finanziarie decentralizzate e sicure, tuttavia, il consumo di energia richiesto per il mining e le transazioni delle criptovalute ? stato messo sotto osservazione per il suo impatto negativo sull?ambiente. Il processo di mining delle criptovalute, che consiste nella verifica delle transazioni e nell?aggiunta di nuovi blocchi alla blockchain, richiede una grande quantit? di potenza di calcolo, che comporta un elevato consumo energetico e come conseguenza la generazione di notevoli quantit? di emissioni di anidride carbonica (CO2). L?impronta carbonica delle criptovalute rappresenta la quantit? totale di emissioni di CO2 generate dal consumo energetico dell?estrazione e delle transazioni delle criptovalute.
La quantificazione delle emissioni di CO2 delle criptovalute implica la stima del consumo energetico dell?estrazione e delle transazioni di criptovalute e la sua conversione in emissioni di CO2. Questa stima pu? essere effettuata utilizzando vari modelli che tengono conto del tipo di attrezzatura utilizzata per il mining, della sua ubicazione e del mix energetico della regione. Ad esempio, l?impronta carbonica pu? essere stimata utilizzando il consumo energetico dei singoli ?minatori? e l?intensit? di carbonio dell?elettricit? utilizzata per il mining.
Oltre a stimare l?impronta carbonica delle singole criptovalute, ? importante anche confrontare le impronte carboniche di diverse criptovalute e valutare la loro sostenibilit? relativa. Questo ? possibile confrontando il consumo energetico e le emissioni di CO2 delle diverse criptovalute per unit? di transazione o per unit? di valore.
L?attivit? di mining di criptovalute ? strettamente collegata all?impiego di hardware di livello elevato, in grado di risolvere algoritmi di complessit? crescente, ottenendo in cambio la valuta desiderata. I computer allestiti per questa pratica sono caratterizzati da componenti molto costosi in grado di garantire elevate prestazioni e che pertanto richiedono consumi energetici elevati.
Considerando ad esempio come criptovaluta il Bitcoin, ? possibile stimare la potenza assorbita da un miner di alte prestazioni in un intervallo compreso tra 1,5 kW e 3,5 kW. Pertanto, considerata una potenza media di 2 kW, nell?arco di 24 ore la spesa energetica di questo miner sar? compresa tra 36 kW e 84 kW. Prendendo come riferimento un valore medio di 48 kW, e di conseguenza un consumo annuo di 17500 kW se si prende come spesa energetica media giornaliera un valore medio di 2 kW.
L?impatto ambientale di questo singolo miner, considerando che 1 kW produce all?incirca 0,43 Kg di CO2, ? equivalente a circa 7500 kg di CO2. Tenendo conto che nell?attivit? di mining sono impiegati centinaia di computer in grado di lavorare in parallelo in grado di assorbire migliaia di kW al giorno, ? possibile capire quanto questo tipo di attivit? sia energivora ed inquinante.
Risulta evidente, quindi, come le emissioni di anidride carbonica delle criptovalute, a causa del consumo energetico legato all?attivit? di mining e delle transazioni di criptovalute, possono arrivare ad essere paragonabili al consumo energetico di una nazione. Ulteriore fonte di preoccupazione ? legata al mix energetico di alcune regioni utilizzate per l?estrazione delle criptovalute che dipende fortemente dai combustibili fossili, contribuendo ulteriormente ad aumentare l?impronta carbonica delle criptovalute.
Recenti studi si stanno focalizzando sul tema della valutazione dell?impatto energetico delle criptovalute e delle relative attivit? di mining cos? come alcune privative.
Un esempio ? l?oggetto della domanda di brevetto US2022149632A1 di
del 12/05/2022 che descrive un metodo di distribuzione e gestione dell?energia derivante da fonti rinnovabili per il mining di criptovalute. Il metodo prevede di controllare un sistema di alimentazione energetica basato su fonti rinnovabili, che fornisce energia ad un sistema di criptovaluta che include un numero di server di mining. L?energia assorbita dai server di mining viene costantemente monitorata ed aggiornata, ed implementando tecniche di modellazione e previsione statistica, viene generato un modello in grado di interpretare, rappresentare e predire i consumi legati al mining di una certa criptovaluta. Il metodo include anche l?ottimizzazione dell?alimentazione energetica in base al fabbisogno energetico dei server di mining rilevato.
Un altro esempio ? la domanda di brevetto di WO2022216679A1 di che si occupa di fornire sistemi e metodi in grado di ridurre e mitigare le emissioni di carbonio legate all?attivit? di mining. L?invenzione comprende un?apparecchiatura che pu? ottenere dati di richiesta che caratterizzano una richiesta di ritiro di un?unit? emessa di un primo asset digitale. L?unit? emessa del primo asset digitale ? associata a una corrispondente unit? di una prima criptovaluta estratta utilizzando energia rinnovabile e con un volume mitigato di emissioni di carbonio. Sulla base della determinazione che il volume mitigato ? almeno equivalente a un volume di emissioni di carbonio associato a un sottoinsieme di un flusso di criptovaluta, l?apparato pu? eseguire operazioni che emettono un?unit? di una seconda risorsa digitale e che registrano i dati associati all?unit? emessa del secondo asset digitale. Inoltre, l?apparecchiatura pu? trasmettere una porzione di dati di asset a uno o pi? dispositivi secondo un programma temporale predeterminato.
Altro esempio ? l?oggetto della domanda di brevetto US11531387B1 di
L?invenzione descrive sistemi e metodi per la determinazione in tempo reale delle emissioni di carbonio sostenute dall?esecuzione di processi informatici e la loro compensazione. L?invenzione sfrutta intelligenze artificiali per il calcolo delle emissioni di carbonio e per riuscire anche ad effettuare stime predittive. Un modulo di previsione pu? essere configurato per prevedere la quantit? di energia utilizzata dall?esecuzione di processi informatici da parte di sistemi informatici in rete e prevedere un?impronta di carbonio associata. L?invenzione, genericamente rivolta a processi informatici, comprende anche il mining di criptovalute ed altre attivit? legate a smart contract, e blockchain.
Le invenzioni sin ora riportate a titolo puramente esemplificativo e non esaustivo sono rappresentative del quadro inventivo-tecnologico ad oggi disponibile.
Le invenzioni, che risolvono ciascuna vari problemi legati ai consumi di attivit? correlate alle criptovalute, non riescono a sopperire a due grandi problemi tecnici legati all?attivit?, ovvero la mancanza di una base di dati (dovuta anche al fatto che le criptovalute ed i relativi processi di mining sono tecnologie relativamente giovani) abbastanza ampia su cui effettuare valutazioni e previsioni, e la possibilit? di vagliare diverse alternative ed indicarle/attuarle automaticamente per una maggiore efficienza energetica dei processi. Ancora, le invenzioni proposte, seppur riescono, in alcune misure, a valutare i consumi e le emissioni di carbonio associate alle attivit? di mining di una criptovaluta, non riescono ad effettuare il processo inverso partendo da alcuni dati e da alcune indicazioni su consumi ed emissioni fino a risalire alla criptovaluta prodotta.
Alcuni accorgimenti sono, ad oggi gi? stati adottati da vari enti e societ?, in termini di impatto ambientale come, ad esempio, il cercare di preferire processi Proof of stake, che non prevedono attivit? di mining, rispetto a processi Proof of Work dove l?attivit? di mining ? strettamente legata all?hardware di alto livello utilizzato. Altro accorgimento adottato per ridurre le emissioni di anidride carbonica ? rappresentato dall?adozione di fonti di energia sostenibili.
Considerato il costante e crescente interesse verso le criptovalute risulta evidente come si rendono necessarie ulteriori azioni di monitoraggio e riduzione dei consumi energetici.
Descrizione dell?invenzione
Secondo la presente invenzione viene realizzato un sistema per la stima del consumo energetico e le emissioni di diossido di carbonio per la produzione di criptovalute ed il relativo metodo di funzionamento.
L?invenzione adotta tecnologie hardware e software e pi? nello specifico il sistema per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain operanti su uno o pi? apparati hardware con varie tecnologie digitali per la produzione di una o pi? criptovalute comprende:
- almeno un dispositivo avente almeno una interfaccia attraverso cui un utente visualizza dati, programma e gestisce detto sistema;
- uno o pi? algoritmi di acquisizione atti ad acquisire dei dati sul consumo energetico prodotto da dette blockchain; detti dati sui consumi energetici vengono acquisiti da fonti quali ad esempio siti web, societ? che forniscono energia, banche dati pubbliche, agenzie governative, istituti di ricerca; detti dati essendo ad esempio la data di misurazione, le condizioni meteorologiche in quella data, il tipo di apparato hardware usato e la sua ubicazione, il tipo di tecnologie digitali usate, il mix energetico (o Fuel Mix) ed altri;
- uno o pi? algoritmi di catalogazione e normalizzazione atti a catalogare, ed organizzare automaticamente i dati acquisiti da detti algoritmi di acquisizione ed a renderli disponibili alla consultazione;
- uno o pi? database in cui vengono organizzati i dati catalogati da detti algoritmi di catalogazione;
- una intelligenza artificiale avente accesso a detti database 130 ed atta ad analizzarne i dati per comprendere legami ad esempio tra consumi energetici e apparati hardware impiegati, consumi energetici e condizioni di misurazione, consumi energetici e tecnologie digitali usati per la produzione di dette criptovalute, consumi energetici ed una criptovaluta ed altri; detta intelligenza artificiale atta ad apprendere quali fattori tra cui, ad esempio, apparati hardware, tecnologie digitali di produzione, condizioni di misurazione, ed altri, influenzano i consumi energetici e quindi le emissioni di diossido di carbonio per dette criptovalute ed in che modo; detta intelligenza artificiale, sulla base di tutti i dati raccolti, classifica le criptovalute in base a costi, consumi e/o redditivit? e rende disponibili alla consultazione le classificazioni attraverso detta interfaccia; detta intelligenza artificiale atta ad effettuare simulazioni di produzione di criptovalute per suggerire ad un utente le combinazioni di tecnologie digitali e di apparati hardware per produrre criptovalute con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia una soglia limite di consumi energetici massimi.
Il metodo di funzionamento del sistema appena descritto invece si articola secondo le seguenti fasi:
- acquisizione, ad opera di detti algoritmi di acquisizione, di dati sui consumi energetici prodotti da dette blockchain;
- catalogazione e normalizzazione dei dati acquisiti, ad opera di detti algoritmi di catalogazione e normalizzazione quali ad esempio data di misurazione, condizioni meteorologiche associate, tipologia di apparato hardware, tipologia di tecnologie digitali ed altri, ed organizzano i dati in detti database; detta fase di catalogazione e normalizzazione dei dati genera una casistica di base sulla quale detta intelligenza artificiale pu? essere istruita;
- apprendimento, fase in cui detta intelligenza artificiale analizza nuovi dati acquisiti da detti algoritmi di acquisizione, li confronta con la casistica di base su cui ? stata istruita e genera nuove associazioni logiche; detta fase di apprendimento atta ad avere un esito positivo (Y) o negativo (N); quando i nuovi dati hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, superiori o inferiori a quelli del 95% dei casi in detti database, l?esito ? negativo (N) e l?intelligenza artificiale richiede, in una fase di controllo, di fornire conferma sulla correttezza dei dati attraverso detta interfaccia di detto dispositivo; quando i nuovi dati categorizzati e normalizzati in detti database hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, compresi fra quelli del 95% dei casi in detti database, l?esito ? positivo (Y) ed i dati vengono automaticamente inseriti in detti database;
- individuazione fonte nota, quando detta fase di apprendimento ha esito positivo (Y), detta intelligenza artificiale confronta i dati appena acquisiti con quelli gi? presenti in detto database; quando i dati appena acquisiti provengono da un primo apparato hardware dal quale sono gi? state acquisite misurazioni energetiche (ed altri dati) in passato, detta fase di individuazione fonte nota ha un esito positivo (Y); quando i dati provengono da un apparato hardware ancora sconosciuto, l?esito ? negativo (N) ed il metodo procede con una fase di simulazione;
- individuazione condizioni di misurazione, quando detta fase di individuazione fonte nota ha esito positivo (Y), l?intelligenza artificiale verifica che le condizioni di misurazione (come condizioni meteorologiche, tipologia di tecnologia digitale e mix energetico regionale) coincidano e/o siano rimaste invariate nel tempo tra i nuovi dati acquisiti e quelli gi? presenti in detto database entrambi provenienti dallo stesso apparato hardware; quando le condizioni di misurazione coincidono detta fase di individuazione condizioni di misurazione ha esito positivo (Y) e procede con una fase di calcolo usura; quando le condizioni di misurazione sono differenti, detta fase di individuazione condizioni di misurazione ha esito negativo (N), l?intelligenza artificiale prende nota delle differenze tra le misurazioni mostrandole anche su detta interfaccia ed il metodo prosegue con una fase di simulazione;
- calcolo usura, fase in cui detta intelligenza artificiale valuta lo stato di usura dell?apparato hardware in termini di rendimento energetico rispetto ad una prima misurazione gi? presente in detto database; detta fase di calcolo usura ha quattro esiti (A), (B), (C) o (D); esito (A) quando i consumi energetici della prima misurazione coincidono, entro un primo range percentuale personalizzabile tramite detta interfaccia, con quelli della seconda misurazione relativa ai dati appena acquisiti; esito (B) quando i consumi energetici della prima misurazione sono pi? alti, di una seconda percentuale personalizzabile tramite detta interfaccia, di quelli della seconda misurazione, l?intelligenza artificiale chiede conferma, in una fase di richiesta conferma a detto utente tramite detta interfaccia; esito (C) quando i consumi energetici della prima misurazione sono pi? bassi di una terza percentuale personalizzabile tramite detta interfaccia, di quelli della seconda misurazione e detta intelligenza artificiale associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware valutando uno stato di usura in una fase di calcolo; esito (D) quando i consumi energetici della prima misurazione sono pi? bassi di una quarta percentuale personalizzabile tramite detta interfaccia, di quelli della seconda misurazione e detta intelligenza artificiale associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware ed invia una notifica, in una fase di notifica, a detto utente su detta interfaccia indicando la necessit? di effettuare manutenzione su detto apparato hardware;
- detta fase di richiesta conferma ? atta ad avere esito positivo (Y) o negativo (N); quando l?utente conferma la correttezza della seconda misurazione, l?esito ? positivo (Y), i dati vengono aggiunti in detto database; quando l?utente rileva una incorrettezza nei dati della seconda misurazione, l?esito ? negativo (N) ed i dati vengono cancellati oppure modificati manualmente da detto utente in una fase di editing per l?inserimento in detto database;
- fase di simulazione, in cui detta intelligenza artificiale effettua simulazioni di produzione di criptovalute per presentare ad un utente in detta interfaccia alcune combinazioni di tecnologie digitali e di apparati hardware per produrre criptovalute con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia una soglia limite di consumi energetici massimi; in detta fase di simulazione detta intelligenza artificiale varia le combinazioni di dette tecnologie digitali, detti apparati hardware, delle condizioni climatiche ed altri dati attraverso simulazioni statistiche a singola variabile, a pi? variabili, con simulazioni di Montecarlo e/o altra tipologia.
I vantaggi offerti dalla presente invenzione sono evidenti alla luce della descrizione fin qui esposta e saranno ancora pi? chiari grazie alle figure annesse e alla relativa descrizione dettagliata.
Descrizione delle figure
L?invenzione verr? qui di seguito descritta in almeno una forma di realizzazione preferita a titolo esplicativo e non limitativo con l?ausilio delle figure annesse, nelle quali:
- FIGURA 1 mostra una vista generale del sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio per la produzione di una criptovaluta 10;
- FIGURA 2 mostra una vista del metodo 200 di funzionamento del sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio per la produzione di una criptovaluta 10.
Descrizione dettagliata dell?invenzione
La presente invenzione fornisce un sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio derivanti da attivit? di mining di una o pi? criptovalute ed un relativo metodo 200 di funzionamento. Nello specifico il consumo energetico ? quello prodotto da una o pi? blockchain 1 operanti su uno o pi? apparati hardware 2 con varie tecnologie digitali 3 per la produzione di una o pi? criptovalute 10. Per apparati hardware 2 si intende l?insieme di server, connessioni, computer ed altri dispositivi fisici che consentono il funzionamento e l?esistenza di blockchain 1 e criptovalute 10. Per tecnologie digitali 3 si intendono invece, tutte le tecnologie, le funzioni, i software, digitali che vengono sfruttati da blockchain 1 e criptovalute 10 come, ad esempio, gli algoritmi di Proof of Work, Proof of Stake, ed altri.
La presente invenzione si pone quindi l?obiettivo di risolvere il problema legato alla mancanza di uno storico di dati che collega criptovalute e consumi energetici e/o emissioni di diossido di carbonio (CO2). L?invenzione, infatti, fornisce un sistema 100 ed un metodo 200 che sono in grado di calcolare consumi ed emissioni e di alimentare un database 130 che costituisce una base storica e statistica per effettuare analisi e per alimentare una intelligenza artificiale 140. La sinergia tra dati storici accumulati nel database 130 ed una intelligenza artificiale istruita ad hoc consente all?invenzione di superare il problema tecnico dell?efficientamento/ottimizzazione della produzione di criptovalute 10. Infatti, l?intelligenza artificiale 140, sulla base dei dati raccolti ? in grado di consigliare ad un utente 20 del sistema quali sono gli apparati hardware 2 e le tecnologie digitali 3 pi? efficienti (in termini di costo e/o di consumo energetico) per la produzione di una o pi? criptovalute 10.
La stima dei consumi energetici e la relativa conversione in emissioni di CO2 si basa su algoritmi che tengono conto del tipo di apparati hardware 2 utilizzati per il mining, della loro ubicazione, del mix energetico della regione in cui avviene il mining e delle tecnologie digitali 3 impiegate. Per mix energetico (o Fuel Mix) della regione si intende l?insieme di fonti energetiche primarie utilizzate per la produzione dell?energia elettrica fornita dalle imprese di vendita ai clienti finali. Le due metodologie, per il calcolo dei consumi energetici e delle emissioni di CO2, pi? comuni sono quelle basate sul consumo e quelle basate sulla produzione. Tuttavia, delle due metodologie, quelle basate sulla produzione, la cui premessa ? che l?impronta carbonica di una criptovaluta 10 ? determinata dalle emissioni di carbonio generate durante la produzione dell?energia utilizzata per il mining, piuttosto che dal consumo energetico degli apparati hardware 2 utilizzati rispetto alla specifica regione in cui si effettua il mining, pur fornendo un?indicazione dell?impronta carbonica, potrebbero non fornire una stima accurata dato che non viene considerata l?ubicazione di detti apparati hardware 2 ed il relativo mix energetico specifico per quella regione in cui avviene il processo di mining. Il modello basato sul consumo invece ? preferibile dal momento che considera il mix energetico della regione in cui avviene il mining e lo si pu? schematizzare nelle fasi di:
- stima del consumo dei singoli apparati hardware 2 usati per il mining;
- determinazione del mix energetico della regione;
- calcolo della quantit? di CO2 rilasciata per produrre 1 kWh (chilowattora); - calcolo del consumo energetico totale del mining come somma dei singoli contributi nella regione;
- conversione del consumo energetico in emissioni di CO2.
Questo modello pu? essere applicato alle differenti blockchain 1 per produrre criptovalute 10 allo scopo di determinarne l?impronta carbonica di ognuna, tra cui a titolo esemplificativo e non limitativo o vincolante Ethereum, TonCoin, RavenCoin, Raptoreum, Chia, Chives, Silicoin.
La presente invenzione verr? ora illustrata a titolo puramente esemplificativo ma non limitativo o vincolante, ricorrendo alle figure le quali illustrano alcune forme di realizzazione relativamente al presente concetto inventivo.
Con riferimento alla FIG. 1 ? mostrata una vista generale del sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain 1 secondo la presente invenzione. In FIG. 1 come nella descrizione che segue, ? illustrata la forma di realizzazione della presente invenzione ad oggi ritenuta la migliore.
Detto sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain 1 operanti su uno o pi? apparati hardware 2 con varie tecnologie digitali 3 per la produzione di una o pi? criptovalute 10 comprende:
- un dispositivo 101 avente almeno una interfaccia 102 attraverso cui un utente 20 visualizza dati, programma e gestisce detto sistema 100. Per detto dispositivo 101 si intende a titolo esemplificativo e non limitativo o vincolante, un personal computer, un server, un tablet, un mainframe, una macchina remota e pi? in generale una qualsiasi macchina con una potenza di calcolo adeguata alla mole di dati ed informazioni da gestire (requisiti minimi per un personal computer sono quelli di una CPU da 8 core, 16Gb di RAM e 512 GB di SSD);
- uno o pi? algoritmi di acquisizione 110 atti ad acquisire dei dati 4 sul consumo energetico prodotto da dette blockchain 1; detti dati 4 sui consumi energetici vengono acquisiti da fonti quali ad esempio siti web, societ? che forniscono energia, banche dati pubbliche, agenzie governative, istituti di ricerca; detti dati 4 sono:
o la data, utilizzabile sia come etichetta per catalogare il dato 4 recuperato da una determinata fonte, sia come informazione che consente di correlare detto dato 4 al periodo dell?anno, alla stagione e ad altre informazioni di contesto che possono influenzare il costo energetico; o la condizione meteorologica media della giornata, come ad esempio la temperatura media e lo stato principale del meteo e.g. nuvoloso, soleggiato, piovoso (o anche intervalli di temperatura) durante detta giornata. Anche detto dato 4 pu? essere utile come correlazione rispetto al consumo energetico;
o il tipo di apparato hardware 2 usato per la produzione di detta criptovaluta 10 e la sua ubicazione;
o il tipo di tecnologie digitali 3 usate nel processo di produzione di detta criptovaluta 10;
o il mix energetico (o Fuel Mix) della regione in cui ? ubicato detto apparato hardware 2 oppure i mix energetici di tutte le regioni in cui sono ubicati gli apparati hardware 2 impiegati nella produzione di una o pi? criptovalute 10;
o i Kilowattora totali consumati dall?apparato hardware 2, in modo da poter mantenere uno storico dell?intera energia consumata;
o il costo del kilowattora e la quantit? emessa di CO2 per ogni watt consumato, in modo da misurare i costi e le emissioni dell?apparato hardware 2 in una particolare giornata;
o i Kilowattora consumati da ogni criptovaluta 10, in modo da poter identificare la quantit? di energia consumata da ogni parte del relativo apparato hardware 2 che consenta una analisi dei consumi;
o la quantit? di ogni criptovaluta 10 prodotta e il suo valore, in modo da poter correlare il suo consumo energetico con la quantit? effettiva prodotta;
o altri dati che possono essere ritenuti rilevanti, come a titolo esemplificativo ma non limitativo o vincolante, la vicinanza con grandi centri abitati, la ventosit? e la piovosit? della zona di ubicazione dell?apparato hardware 2.
I dati 4 sul consumo energetico necessario ad una o pi? blockchain 1 nella fase di produzione di criptovaluta 10 sono ottenibili da numerose fonti quali, a titolo esemplificativo e non limitativo o vincolante:
o blockchain Explorer, ovvero siti web, come ad esempio blockchain.com e etherscan.io, che consentono agli utenti di visualizzare la cronologia delle transazioni e l?attivit? di numerose reti blockchain. Questi explorer forniscono informazioni sul numero di transazioni elaborate e sulla quantit? di energia consumata da ciascuna rete;
o societ? energetiche, ovvero societ? di servizi energetici o fornitori di energia rinnovabile che possono fornire dati sull?energia consumata da diverse blockchain 1. Tra le numerose informazioni ? possibile recuperare i dati relativi ai tipi di fonti energetiche utilizzate, il costo dell?energia e il consumo energetico complessivo delle blockchain 1; o banche dati pubbliche, come ad esempio quella delle statistiche energetiche dell?Agenzia Internazionale dell?Energia, da cui ? possibile recuperare informazioni sui modelli e sulle tendenze del consumo energetico globale;
o agenzie governative, come ad esempio l?Agenzia per la protezione dell?ambiente degli Stati Uniti, da cui ? possibile recuperare dati sulle normative in materia di energia, nonch? informazioni sulle tecnologie ad alta efficienza energetica e sulle fonti di energia rinnovabile che permettono di considerare l?impatto delle modifiche normative sul consumo energetico di una blockchain 1;
o istituti di ricerca, come ad esempio le universit? che conducono studi da cui ? possibile recuperare i dati sul consumo energetico delle varie blockchain 1. Questi dati possono essere utilizzati sia per convalidare le previsioni generate dal sistema 100 che per aggiungere ulteriori informazioni in input allo scopo di migliorare l?analisi e l?accuratezza. - uno o pi? algoritmi di catalogazione e normalizzazione 120 atti a catalogare, ed organizzare automaticamente i dati 4 acquisiti da detti algoritmi di acquisizione 110 ed a renderli disponibili alla consultazione. La catalogazione avviene in vari modi, essa pu? essere fatta sulla base della tipologia di dato 4, ad esempio distinguendo date, da mix energetici della regione, da apparati hardware 2 ecc., ancora, pu? essere per data, andando quindi a catalogare (e quindi raggruppare) insieme tutti i dati 4 relativi alla stessa data, pu? essere per criptovaluta 10, per tipologia di apparato hardware 2, per tipologia di tecnologie digitali 3 impiegate. La tipologia di classificazione ? personalizzabile da parte dell?utente 20 attraverso l?interfaccia 102 del dispositivo 101 e pu? essere variata in qualsiasi momento adottando ad esempio software di gestione di un database 130 o database 130 relazionali e relativi sistemi di gestione RDBMS. La procedura di normalizzazione ha invece la funzione di consentire comunque l?acquisizione e la catalogazione di informazioni incomplete o incoerenti, in cui una informazione ? incompleta nel momento in cui non ? possibile recuperarne un dato 4 (come data, tipo apparato hardware 2, tipo di tecnologie digitale 3, ecc.) ed ? incoerente, nel momento in cui un dato 4 ha valori errati (come a titolo esemplificativo ma non limitativo o vincolante, una data riferita all?anno 1900, errore automatico comune riscontrabile nei casi in cui un orologio digitale si resetta per qualsivoglia motivo), o valori numerici relativi ai consumi che sono al di sopra o al di sotto del 95% dei valori gi? analizzati e conservati in un database 130. Nel caso di valori errati viene richiesta una conferma all?utente 20 tramite detta interfaccia 102 e viene fornita la possibilit? di correzione manuale degli stessi. Nel caso di valori numerici relativi ai consumi che sono al di sopra o al di sotto del 95% dei valori gi? analizzati e conservati in detto database 130, viene richiesta una conferma all?utente 20 tramite detta interfaccia 102 e viene fornita la possibilit? di eventuale correzione manuale degli stessi. Nel caso di dati 4 mancanti viene inviata opportuna segnalazione all?utente 20 sull?interfaccia 102 fornendo poi, la possibilit?, in qualsiasi momento, di poter inserire i dati 4 mancanti se acquisiti;
- uno o pi? database 130 in cui vengono organizzati i dati 4 catalogati da detti algoritmi di catalogazione 120;
- una intelligenza artificiale 140 avente accesso a detti database 130 ed atta ad analizzarne i dati 4 per comprendere legami, ad esempio, tra consumi energetici e apparati hardware 2 impiegati, consumi energetici e condizioni di misurazione, consumi energetici e tecnologie digitali 3 usate per la produzione di dette criptovalute 10, consumi energetici ed una criptovaluta 10 ed altri.
Detta intelligenza artificiale 140 ? atta ad apprendere quali fattori tra cui, ad esempio, apparati hardware 2, tecnologie digitali 3 di produzione, condizioni di misurazione, influenzano i consumi energetici e quindi le emissioni di diossido di carbonio per dette criptovalute 10 ed in che modo. L?intelligenza artificiale 140, sulla base di tutti i dati 4 raccolti, classifica le criptovalute 20 in base a costi, consumi e/o redditivit? e rende disponibili alla consultazione le classificazioni attraverso detta interfaccia 102. Detta intelligenza artificiale 140 ? atta ad effettuare simulazioni di produzione di criptovalute 10 per suggerire ad un utente 20 le combinazioni di tecnologie digitali 3 e di apparati hardware 2 da adottare per produrre criptovalute 10 con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia 102 una soglia limite di consumi energetici massimi. Dall?interfaccia 102 l?utente 20 pu? chiedere all?intelligenza artificiale 140 quali siano le combinazioni di tecnologie digitali 3 e di apparati hardware 2 da adottare per produrre una specifica criptovaluta 10 al minor costo, per produrla con le minori emissioni possibili di CO2, oppure, pu? fissare una soglia di emissioni di CO2 ed ottenere di conseguenza le combinazioni che consentono di produrre detta criptovaluta 10 senza superare la soglia ed al minor costo.
L?intelligenza artificiale 140, una volta addestrata sulla base dei dati 4 inseriti in detto database 130, ? in grado di analizzare dei consumi energetici e/o emissioni di diossido di carbonio registrate e delle condizioni meteorologiche di misurazione, e di fornire a detto utente 20 varie combinazioni di apparati hardware 2 e tecnologie digitali 3 di produzione di criptovalute 10 che possono averli generati effettuando quindi un processo ?a ritroso?. Il processo ?a ritroso? pu? inoltre essere effettuato de detta intelligenza artificiale 140, analizzando dei consumi energetici e/o emissioni di diossido di carbonio registrate e la combinazione di apparati hardware 2 e tecnologie digitali 3 di produzione di criptovalute 10 ad essi connessa per fornire a detto utente 20 varie combinazioni di condizioni meteorologiche di misurazione.
L?intelligenza artificiale 140, ancora, conduce periodici confronti (con una cadenza temporale predefinita dal sistema 100 e fissata ad esempio pari a 30 giorni, e comunque personalizzabile da parte dell?utente 20 tramite detta interfaccia 102) fra i dati 4 sui consumi energetici acquisiti tramite detti algoritmi di acquisizione 110 derivanti dallo stesso apparato hardware 2, dalle stesse tecnologie digitali 3 di produzione e/o dalle stesse condizioni climatico-ambientali. Attraverso detti confronti, detta intelligenza artificiale 140 valuta lo stato di usura di detta apparecchiatura hardware 2 attraverso cali di prestazione come, ad esempio, tempi di calcolo pi? lunghi e/o richiesta di un fabbisogno energetico maggiore. Quando viene rilevato un tempo di calcolo maggiore, ad esempio, su un apparato hardware 2 gi? monitorato in anni/mesi e/o settimane precedenti, l?intelligenza artificiale 140 verifica che le altre condizioni (come, ad esempio, quelle meteorologiche) siano le stesse, ed in caso affermativo comprende che ? avvenuto un deterioramento dell?apparato hardware 2. In questo modo l?intelligenza artificiale 140 associa a quello specifico apparato hardware 2 quello specifico incremento nei tempi di calcolo dovuto allo specifico tempo tra una misurazione e l?altra. L?intelligenza artificiale 140 apprende cos?, costantemente dai dati 4, come il variare di uno dei dati 4 stessi determina variazioni del consumo energetico, ed ? quindi in grado di definire previsioni e simulazioni sulla produzione di criptovalute 10 in maniera accurata, portando anche in conto il deterioramento di detti apparati hardware 2. Quando lo stato di usura di un apparato hardware 2 viene rilevato essere al di sopra di un limite definito manualmente da detto utente 20, semiautomaticamente o automaticamente da detta intelligenza artificiale 140, il sistema 100 invia una notifica su detta interfaccia 102 a detto utente 20. Il limite di deterioramento automatico ? quello per il quale, a parit? di condizioni registrate, venga misurato un tempo di calcolo al di sotto del 60% del tempo di calcolo misurato in precedenza. Come gi? detto, questo tipo di parametro pu? essere modificato manualmente dall?utente 20 che pu? definire soglie ?pi? stringenti? al di sotto delle quali viene inviata una notifica relativa all?eccessivo stato di deterioramento dell?apparato hardware 2.
Questa specifica caratteristica della presente invenzione consente di superare il problema non solo legato alla misurazione delle emissioni relative alla produzione di criptovalute 10, ma anche relativo al mantenimento, nel tempo, delle condizioni ideali (stabilite dall?utente 20) per la produzione. Ci? significa che la presente invenzione, consentendo la tipologia di monitoraggio appena descritta garantisce il mantenimento di una efficienza, di costi e/o energetica, di un sistema di produzione di criptovalute 10.
Con riferimento alla FIG. 2 ? mostrata una vista del metodo 200 di funzionamento del sistema 100 per la stima del consumo energetico e le emissioni di diossido di carbonio per la produzione di una o pi? criptovalute 10. Detto metodo 200 sar? descritto facendo riferimento alle FIGG. 1 e 2.
Detto metodo 200 per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain 1 operanti su uno o pi? apparati hardware 2 per la produzione di una o pi? criptovalute 10 ? atto a sfruttare detto sistema 100 secondo le seguenti fasi.
Fase di acquisizione 210, ad opera di detti algoritmi di acquisizione 110, di dati sui consumi energetici prodotti da dette blockchain 1, attraverso le risorse di cui esempi sono stati precedentemente forniti.
Fase di catalogazione e normalizzazione 220 dei dati 4 acquisiti, ad opera di detti algoritmi di catalogazione e normalizzazione 120 quali ad esempio data di misurazione, condizioni meteorologiche associate, tipologia di apparato hardware 2, tipologia di tecnologie digitali 3 ed altri, che poi organizzano i dati 4 in detti database 130. Detta fase di catalogazione e normalizzazione 220 dei dati 4 genera una casistica di base sulla quale detta intelligenza artificiale 140 pu? essere istruita.
Fase di apprendimento 230 in cui detta intelligenza artificiale 140 analizza nuovi dati 4 acquisiti da detti algoritmi di acquisizione 110, li confronta con la casistica di base su cui ? stata istruita e genera nuove associazioni logiche. Detta fase di apprendimento 230 ? atta ad avere un esito positivo (Y) o negativo (N). Quando i nuovi dati 4 hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, superiori o inferiori a quelli del 95% dei casi in detti database 130, l?esito ? negativo (N) e l?intelligenza artificiale 140 richiede, in una fase di controllo 231, di fornire conferma sulla correttezza dei dati 4 attraverso detta interfaccia 102 di detto dispositivo 101. Quando i nuovi dati 4 categorizzati e normalizzati in detti database 130 hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, compresi fra quelli del 95% dei casi in detti database (130), l?esito ? positivo (Y) ed il metodo 200 prosegue con una fase di individuazione fonte nota 235.
Segue una fase di individuazione fonte nota 235. Quando detta fase di apprendimento 230 ha esito positivo (Y), detta intelligenza artificiale 140 confronta i dati 4 appena acquisiti con quelli gi? presenti in detto database 130. Quando i dati 4 appena acquisiti provengono da un primo apparato hardware 2 dal quale sono gi? state acquisite misurazioni energetiche (ed altri dati 4) in passato, detta fase di individuazione fonte nota 235 ha un esito positivo (Y), al contrario, quando i dati 4 provengono da un apparato hardware 2 ancora sconosciuto, l?esito ? negativo (N) ed il metodo procede con una fase di simulazione 250.
Quando detta fase di individuazione fonte nota 235 ha esito positivo (Y), segue una fase di individuazione condizioni di misurazione 236 in cui l?intelligenza artificiale 140 verifica che le condizioni di misurazione (come condizioni meteorologiche, tipologia di tecnologia digitale 3 e mix energetico regionale) coincidano e/o siano rimaste invariate nel tempo tra i nuovi dati 4 acquisiti e quelli gi? presenti in detto database 130 entrambi provenienti dallo stesso apparato hardware 2. Quando le condizioni di misurazione coincidono detta fase di individuazione condizioni di misurazione 236 ha esito positivo (Y) e procede con una fase di calcolo usura 237. Quando le condizioni di misurazione sono differenti, detta fase di individuazione condizioni di misurazione 236 ha esito negativo (N), l?intelligenza artificiale 140 annota le differenze tra le misurazioni mostrandole anche su detta interfaccia 102 ed il metodo 200 prosegue con una fase di simulazione 250.
Fase di calcolo usura 237 in cui detta intelligenza artificiale 140 valuta lo stato di usura dell?apparato hardware 2 in termini di rendimento energetico rispetto ad una prima misurazione (intendendo con misurazione l?acquisizione di dati relativi ai consumi e/o alle emissioni di CO2 per un apparato hardware 2 con le relative tecnologie digitali 3 ed i relativi dati 4 di riferimento) gi? presente in detto database 130. Detta fase di calcolo usura 237 ha quattro esiti (A), (B), (C) o (D). Esito (A) quando i consumi energetici della prima misurazione coincidono, entro un primo range percentuale personalizzabile tramite detta interfaccia 102 (e pari a titolo esempio a 5%, -5%), con quelli della seconda misurazione relativa ai dati 4 appena acquisiti.
Esito (B) quando i consumi energetici della prima misurazione sono pi? alti, di una seconda percentuale personalizzabile tramite detta interfaccia 102 (e pari, ad esempio, al 6%), di quelli della seconda misurazione, l?intelligenza artificiale 140 chiede conferma, in una fase di richiesta conferma 238 a detto utente 20 tramite detta interfaccia 102.
Esito (C) quando i consumi energetici della prima misurazione sono pi? bassi di una terza percentuale personalizzabile tramite detta interfaccia 102 (e pari, ad esempio al -6%), di quelli della seconda misurazione e detta intelligenza artificiale 140 associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware 2 valutando uno stato di usura in una fase di calcolo 241.
Esito (D) quando i consumi energetici della prima misurazione sono pi? bassi di una quarta percentuale personalizzabile tramite detta interfaccia 102 (e pari, ad esempio a -15%), di quelli della seconda misurazione e detta intelligenza artificiale 140 associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware 2 ed invia una notifica in una fase di notifica 240 a detto utente 20 su detta interfaccia 102 indicando la necessit? di effettuare manutenzione su detto apparato hardware 2.
Detta fase di richiesta conferma 238 atta ad avere esito positivo (Y) o negativo (N); quando l?utente 20 conferma la correttezza della seconda misurazione, l?esito ? positivo (Y), i dati 4 vengono aggiunti in detto database 130. Quando l?utente 20 rileva una incorrettezza nei dati della seconda misurazione, l?esito ? negativo (N) ed i dati vengono cancellati oppure modificati manualmente in una fase di editing 239 da detto utente 20 per l?inserimento in detto database 130.
Il metodo 200 si conclude con una fase di simulazione 250 in cui detta intelligenza artificiale 140 effettua simulazioni di produzione di criptovalute 10 per presentare ad un utente 20 in detta interfaccia 102 alcune combinazioni di tecnologie digitali 3 e di apparati hardware 2 per produrre criptovalute 10 con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia 102 una soglia limite di consumi energetici massimi. In detta fase di simulazione 250 detta intelligenza artificiale 140 varia le combinazioni di dette tecnologie digitali 3, detti apparati hardware 2, delle condizioni climatiche ed altri dati 4 attraverso simulazioni statistiche a singola variabile (mantenendo costanti tutti i dati 4 tranne uno), a pi? variabili (facendo variare alcuni dati 4 contemporaneamente), con simulazioni di Montecarlo e/o altra tipologia.
? infine chiaro che all?invenzione fin qui descritta possono essere apportate modifiche, aggiunte o varianti ovvie per un tecnico del ramo, senza per questo fuoriuscire dall?ambito di tutela che ? fornito dalle rivendicazioni annesse.
Claims (5)
1. Sistema (100) per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain (1) operanti su uno o pi? apparati hardware (2) con varie tecnologie digitali (3) per la produzione di una o pi? criptovalute (10), caratterizzato dal fatto di comprendere:
- almeno un dispositivo (101) avente almeno una interfaccia (102) attraverso cui un utente (20) visualizza dei dati (4), programma e gestisce detto sistema (100);
- uno o pi? algoritmi di acquisizione (110) atti ad acquisire dei dati (4) sul consumo energetico prodotto da dette blockchain (1); detti dati (4) sui consumi energetici vengono acquisiti da fonti quali ad esempio siti web, societ? che forniscono energia, banche dati pubbliche, agenzie governative, istituti di ricerca; detti dati (4) essendo ad esempio la data di misurazione, le condizioni meteorologiche in quella data, il tipo di apparato hardware (2) usato e la sua ubicazione, il tipo di tecnologie digitali (3) usate, il mix energetico (o Fuel Mix) ed altri;
- uno o pi? algoritmi di catalogazione e normalizzazione (120) atti a catalogare, ed organizzare automaticamente i dati (4) acquisiti da detti algoritmi di acquisizione (110) ed a renderli disponibili alla consultazione; - uno o pi? database (130) in cui vengono organizzati i dati (4) catalogati da detti algoritmi di catalogazione (120);
- una intelligenza artificiale (140) avente accesso a detti database (130) ed atta ad analizzarne i dati (4) per comprendere legami ad esempio tra consumi energetici e apparati hardware (2) impiegati, consumi energetici e condizioni di misurazione, consumi energetici e tecnologie digitali (3) usati per la produzione di dette criptovalute (10), consumi energetici ed una criptovaluta (10) ed altri; detta intelligenza artificiale (140) atta ad apprendere quali fattori tra cui, ad esempio, apparati hardware (2), tecnologie digitali (3) di produzione, condizioni di misurazione, ed altri, influenzano i consumi energetici e quindi le emissioni di diossido di carbonio per dette criptovalute (10) ed in che modo; detta intelligenza artificiale (140), sulla base di tutti i dati (4) raccolti, classifica le criptovalute (20) in base a costi, consumi e/o redditivit? e rende disponibili alla consultazione le classificazioni attraverso detta interfaccia (102); detta intelligenza artificiale (140) atta ad effettuare simulazioni di produzione di criptovalute (10) per suggerire ad un utente (20) le combinazioni di tecnologie digitali (3) e di apparati hardware (2) per produrre criptovalute (10) con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia (102) una soglia limite di consumi energetici massimi.
2. Sistema (100), secondo la precedente rivendicazione 1, caratterizzato dal fatto che detta intelligenza artificiale (140), una volta addestrata, ? in grado di analizzare dei consumi energetici e/o emissioni di diossido di carbonio registrate e delle condizioni meteorologiche di misurazione, e di fornire a detto utente (20) varie combinazioni di apparati hardware (2) e tecnologie digitali (3) di produzione di criptovalute (10) che possono averli generati; detta intelligenza artificiale (140), una volta addestrata, ? in grado di analizzare dei consumi energetici e/o emissioni di diossido di carbonio registrate e la combinazione di apparati hardware (2) e tecnologie digitali (3) di produzione di criptovalute (10) ad essi connessa per fornire a detto utente (20) varie combinazione di condizioni meteorologiche di misurazione.
3. Sistema (100), secondo la precedente rivendicazione 1 e 2, caratterizzato dal fatto che detta intelligenza artificiale (140) conduce periodici confronti (con cadenza temporale personalizzabile da detto utente (20) tramite detta interfaccia (102)) fra i dati sui consumi energetici acquisiti tramite detti algoritmi di acquisizione (110) derivanti dallo stesso apparato hardware (2), dalle stesse tecnologie digitali (3) di produzione, dalle stesse condizioni climatico-ambientali; attraverso detti confronti, detta intelligenza artificiale (140) valuta lo stato di usura di detta apparecchiatura hardware (2) attraverso cali di prestazione come ad esempio tempi di calcolo pi? lunghi e/o richiesta di un fabbisogno energetico maggiore.
4. Sistema (100), secondo una qualsiasi delle precedenti rivendicazioni, caratterizzato dal fatto di inviare notifiche a detto utente (20) tramite detta interfaccia (102) quando uno stato di usura di detto apparato hardware (2) viene rilevato essere al di sopra di un limite definito manualmente da detto utente (20), semi-automaticamente o automaticamente da detta intelligenza artificiale (140).
5. Metodo (200) di funzionamento di detto sistema (100) per la stima del consumo energetico e le emissioni di diossido di carbonio prodotti da una o pi? blockchain (1) operanti su uno o pi? apparati hardware (2) per la produzione di una o pi? criptovalute (10) caratterizzato dal fatto di sfruttare il sistema (100) secondo le seguenti fasi:
- acquisizione (210), ad opera di detti algoritmi di acquisizione (110), di dati sui consumi energetici prodotti da dette blockchain (1);
- catalogazione e normalizzazione (220) dei dati (4) acquisiti, ad opera di detti algoritmi di catalogazione e normalizzazione (120) quali ad esempio data di misurazione, condizioni meteorologiche associate, tipologia di apparato hardware (2), tipologia di tecnologie digitali (3) ed altri, ed organizzano i dati in detti database (130); detta fase di catalogazione e normalizzazione (220) dei dati genera una casistica di base sulla quale detta intelligenza artificiale (140) pu? essere istruita;
- apprendimento (230) fase in cui detta intelligenza artificiale (140) analizza nuovi dati (4) acquisiti da detti algoritmi di acquisizione (110), li confronta con la casistica di base su cui ? stata istruita e genera nuove associazioni logiche; detta fase di apprendimento (230) atta ad avere un esito positivo (Y) o negativo (N); quando i nuovi dati (4) hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, superiori o inferiori a quelli del 95% dei casi in detti database (130), l?esito ? negativo (N) e l?intelligenza artificiale (140) richiede, in una fase di controllo (231), di fornire conferma sulla correttezza dei dati (4) attraverso detta interfaccia (102) di detto dispositivo (101); quando i nuovi dati (4) categorizzati e normalizzati in detti database (130) hanno valori di consumi energetici e/o di emissioni di diossido di carbonio, compresi fra quelli del 95% dei casi in detti database (130), l?esito ? positivo (Y) ed il metodo (200) prosegue con una fase di individuazione fonte nota (235);
- individuazione fonte nota (235) quando detta fase di apprendimento (230) ha esito positivo (Y), detta intelligenza artificiale (140) confronta i dati (4) appena acquisiti con quelli gi? presenti in detto database (130); quando i dati (4) appena acquisiti provengono da un primo apparato hardware (2) dal quale sono gi? state acquisite misurazioni energetiche (ed altri dati (4)) in passato, detta fase di individuazione fonte nota (235) ha un esito positivo (Y); quando i dati (4) provengono da un apparato hardware (2) ancora sconosciuto, l?esito ? negativo (N) ed il metodo procede con una fase di simulazione (250);
- individuazione condizioni di misurazione (236) quando detta fase di individuazione fonte nota (235) ha esito positivo (Y), l?intelligenza artificiale (140) verifica che le condizioni di misurazione (come condizioni meteorologiche, tipologia di tecnologia digitale (3) e mix energetico regionale) coincidano e/o siano rimaste invariate nel tempo tra i nuovi dati (4) acquisiti e quelli gi? presenti in detto database (130) entrambi provenienti dallo stesso apparato hardware (2); quando le condizioni di misurazione coincidono detta fase di individuazione condizioni di misurazione (236) ha esito positivo (Y) e procede con una fase di calcolo usura (237); quando le condizioni di misurazione sono differenti, detta fase di individuazione condizioni di misurazione (236) ha esito negativo (N), l?intelligenza artificiale (140) prende nota delle differenze tra le misurazioni mostrandole anche su detta interfaccia (102) ed il metodo (200) prosegue con una fase di simulazione (250);
- calcolo usura (237) fase in cui detta intelligenza artificiale (140) valuta lo stato di usura dell?apparato hardware (2) in termini di rendimento energetico rispetto ad una prima misurazione gi? presente in detto database (130); detta fase di calcolo usura (237) ha quattro esiti (A), (B) (C) o (D); esito (A) quando i consumi energetici della prima misurazione coincidono, entro un primo range percentuale personalizzabile tramite detta interfaccia (102), con quelli della seconda misurazione relativa ai dati (4) appena acquisiti; esito (B) quando i consumi energetici della prima misurazione sono pi? alti, di una seconda percentuale personalizzabile tramite detta interfaccia (102), di quelli della seconda misurazione, l?intelligenza artificiale (140) chiede conferma, in una fase di richiesta conferma (238) a detto utente (20) tramite detta interfaccia (102); esito (C) quando i consumi energetici della prima misurazione sono pi? bassi di una terza percentuale personalizzabile tramite detta interfaccia (102), di quelli della seconda misurazione e detta intelligenza artificiale (140) associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware (2) valutando uno stato di usura in una fase di calcolo (241); esito (D) quando i consumi energetici della prima misurazione sono pi? bassi di una quarta percentuale personalizzabile tramite detta interfaccia (102), di quelli della seconda misurazione e detta intelligenza artificiale (140) associa l?incremento dei consumi energetici a maggiori tempi di calcolo provocati da un?usura di detto apparato hardware (2) ed invia una notifica in una fase di notifica (240) a detto utente (20) su detta interfaccia (102) indicando la necessit? di effettuare manutenzione su detto apparato hardware (2);
- detta fase di richiesta conferma (238) atta ad avere esito positivo (Y) o negativo (N); quando l?utente (20) conferma la correttezza della seconda misurazione, l?esito ? positivo (Y), i dati (4) vengono aggiunti in detto database (130); quando l?utente (20) rileva una incorrettezza nei dati della seconda misurazione, l?esito ? negativo (N) ed i dati vengono cancellati oppure modificati manualmente da detto utente (20) in una fase di editing (239) per l?inserimento in detto database (130);
- simulazione (250) in cui detta intelligenza artificiale (140) effettua simulazioni di produzione di criptovalute (10) per presentare ad un utente (20) in detta interfaccia (102) alcune combinazioni di tecnologie digitali (3) e di apparati hardware (2) per produrre criptovalute (10) con il minor costo, con il minor consumo energetico e/o con il minor costo avendo fissato, tramite detta interfaccia (102) una soglia limite di consumi energetici massimi; in detta fase di simulazione (250) detta intelligenza artificiale (140) varia le combinazioni di dette tecnologie digitali (3), detti apparati hardware (2), delle condizioni climatiche ed altri dati (4) attraverso simulazioni statistiche a singola variabile, a pi? variabili, con simulazioni di Montecarlo e/o altra tipologia.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102023000007761A IT202300007761A1 (it) | 2023-04-20 | 2023-04-20 | Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102023000007761A IT202300007761A1 (it) | 2023-04-20 | 2023-04-20 | Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202300007761A1 true IT202300007761A1 (it) | 2024-10-20 |
Family
ID=87889863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102023000007761A IT202300007761A1 (it) | 2023-04-20 | 2023-04-20 | Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | IT202300007761A1 (it) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220149632A1 (en) | 2018-08-29 | 2022-05-12 | Sean Walsh | Renewable energy source based power distribution and management for cryptocurrency mining |
| WO2022216679A1 (en) | 2021-04-06 | 2022-10-13 | Viridian Zero Carbon, Inc. | Processes for mitigating carbon emissions associated with mined digital assets |
| US20220366494A1 (en) * | 2018-05-06 | 2022-11-17 | Strong Force TX Portfolio 2018, LLC | Market orchestration system for facilitating electronic marketplace transactions |
| US11531387B1 (en) | 2022-04-11 | 2022-12-20 | Pledgeling Technologies, Inc. | Methods and systems for real time carbon emission determination incurred by execution of computer processes and the offset thereof |
| US20230086612A1 (en) * | 2021-09-23 | 2023-03-23 | Fortior Blockchain, Lllp | Deep intelligence for decentralized finance |
-
2023
- 2023-04-20 IT IT102023000007761A patent/IT202300007761A1/it unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220366494A1 (en) * | 2018-05-06 | 2022-11-17 | Strong Force TX Portfolio 2018, LLC | Market orchestration system for facilitating electronic marketplace transactions |
| US20220149632A1 (en) | 2018-08-29 | 2022-05-12 | Sean Walsh | Renewable energy source based power distribution and management for cryptocurrency mining |
| WO2022216679A1 (en) | 2021-04-06 | 2022-10-13 | Viridian Zero Carbon, Inc. | Processes for mitigating carbon emissions associated with mined digital assets |
| US20230086612A1 (en) * | 2021-09-23 | 2023-03-23 | Fortior Blockchain, Lllp | Deep intelligence for decentralized finance |
| US11531387B1 (en) | 2022-04-11 | 2022-12-20 | Pledgeling Technologies, Inc. | Methods and systems for real time carbon emission determination incurred by execution of computer processes and the offset thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021135177A1 (zh) | 一种能源数据仓库系统构建方法及装置 | |
| CN118607785B (zh) | 一种电力设备全生命周期产品碳足迹核算方法及系统 | |
| CN104036357A (zh) | 用户用电窃电行为模式的分析方法 | |
| CN106796577A (zh) | 使用回归模型的能量基础设施传感器数据校正 | |
| CN103824148A (zh) | 电力营销风险预警方法及系统 | |
| CN117591679B (zh) | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 | |
| CN118798526A (zh) | 一种能源动态预测与多能流耦合优化方法及能源管控系统 | |
| CN117633710A (zh) | 一种基于自回归算法的电力用户用能稳定性分析方法 | |
| CN118654227B (zh) | 基于Ai技术的智能燃气运营管理系统及方法 | |
| CN117788218B (zh) | 一种碳排放评估方法及系统 | |
| CN116632838B (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
| CN117808366A (zh) | 黑土地保护利用与安全产能评估数字模型系统 | |
| CN104751369A (zh) | 一种改进的k-均值聚类的线损分析方法 | |
| Shen et al. | Deep Learning-Based Investment Risk Assessment Model for Distributed Photovoltaic Projects | |
| CN119250250A (zh) | 一种基于数学模型的电费预测补正自动清算方法及系统 | |
| CN116542430A (zh) | 多维度水务碳排放量智能分析方法及系统 | |
| CN119298041B (zh) | 一种基于虚拟电厂的资源分配方法及系统 | |
| CN119209652A (zh) | 基于水光储一体化的能源充放电控制方法及系统 | |
| IT202300007761A1 (it) | Sistema per la stima del consumo energetico e delle emissioni di diossido di carbonio per la produzione di criptovalute e relativo metodo di funzionamento | |
| CN118365470A (zh) | 一种基于网格化天气预报的电力负荷协同预测管理方法及系统 | |
| CN118195153A (zh) | 一种基于大数据的园区电碳排放预测方法 | |
| CN118280478A (zh) | 预测森林土壤呼吸速率的智能多功能机器学习系统及方法 | |
| CN118113741A (zh) | 一种智慧矿山数字资产管控系统 | |
| Marzolf et al. | Phenology of gross primary productivity in rivers displays high variability within years but stability across years | |
| CN118151619B (zh) | 一种基于互联网公开数据的采集分析系统 |