ETD

• fabbisogno energetico
• Machine Learning
• Previsione
• PUN
• Python
• Reti neurali

La tesi presenta un sistema predittivo basato su algoritmi di Machine Learning supervisionato (k-NN, XGBoost, HGB e Reti Neurali FFNN) per il fabbisogno energetico e il PUN (dati GME). Utilizzando lag temporali come vettore d'ingresso, lo studio analizza l'accuratezza in scenari di breve e medio termine, confrontando dataset combinati e singoli. Il framework, sviluppato in Python, adotta calibrazioni differenziate (giornaliere, mensili, annuali) per ottimizzare i meta-parametri rispetto alla volatilità del mercato, garantendo un equilibrio tra precisione e onere computazionale.

This thesis presents a predictive system based on supervised Machine Learning (k-NN, XGBoost, HGB, and Neural Networks FFNN) for national electricity demand and PUN forecasting (GME data). Using time lags as input vectors, the study analyzes short and medium-term accuracy, comparing combined and individual datasets. The Python-developed framework adopts differentiated calibration strategies (daily, monthly, annual) to optimize meta-parameters against market volatility, ensuring a balance between forecasting precision and computational cost.