• bilstm
• data science
• day-ahead
• energia elettrica
• forecasting
• Gradient Boosting Regressor
• neural network
• previsione
• rete neurale
• Seasonal decompose
• VMD

La previsione della domanda di energia elettrica rappresenta oramai un oggetto di studio imprescindibile per la gestione delle risorse energetiche. Attraverso la previsione del carico elettrico, i TSO (Trasmission System Operator) nazionali possono avere un forte supporto per il mantenimento dell’affidabilità e la qualità del sistema elettrico, in particolare sulla gestione di breve periodo. I livelli sempre più incidenti di potenza elettrica prodotta da fonti rinnovabili producono, a differenza degli impianti da produzione elettrica programmabili (come gli impianti termoelettrici o a ciclo combinato), un ammontare di energia elettrica non dispacciabile iniettata nella rete, portando quindi una maggiore aleatorietà sul piatto della produzione. Per questo una previsione sempre più accurata della domanda elettrica comporta una migliore gestione sul controllo degli impianti programmabili a fronte della variabilità che impongono soprattutto le produzioni da eolico e fotovoltaico, al fine di una ricerca di efficienza energetica sul piano economico e ambientale, mirata anche alla riduzione delle emissioni inquinanti. L’obbiettivo della tesi consiste nell’implementazione di un modello di intelligenza artificiale allo scopo di migliorare la previsione di breve periodo della domanda di energia elettrica portoghese su un orizzonte temporale giornaliero con dettaglio quart’orario. In seguito all’adesione del trial proposto dal TSO portoghese REN e allo sviluppo di un primo modello con metodo di apprendimento ensemble cooperativo composto da rete neurale sequence to sequence (seq2seq) e un modello statico di random forest, l’elaborato presenta l’implementazione di un nuovo modello tale da ottimizzare le prestazioni ottenute in precedenza. Scopo del trial consiste quindi, nell’ottenere un modello ottimale tale che per ogni giorno d, si ottenga la previsione del carico elettrico nazionale portoghese con dettaglio quart’orario del giorno d+1. Nel modello proposto, si realizza la tecnica di apprendimento cooperative ensemble di tre modelli con allenamento continual learning: una rete neurale ricorrente Bidirectional LSTM, una rete neurale statica fully connected e un modello di machine learning Gradient Boosting Regressor. Inoltre, gioca un ruolo importante la combinazione di due tecniche di decomposizione dei segnali che vengono applicate alla serie temporale del carico elettrico portoghese con frequenza quart’oraria, resa disponibile dal TSO REN. Attraverso il linguaggio di programmazione Python, è stata utilizzata la tecnica seasonal decompose per realizzare la decomposizione della serie temporale al fine di ottenere i componenti sistematici di stagionalità e trend e la componente irregolare del rumore. Le prime due componenti contengono informazioni circa i patterns intrinseci del profilo di carico elettrico su orizzonte giornaliero e stagionale. Utilizzando successivamente la tecnica di decomposizione Variational Mode Decomposition (VMD) applicata sulla componente irregolare estrapolata, è stato possibile estrarne sottocomponenti a differenti frequenze che presentano informazioni filtrate sulle microvariazioni quart’orarie del profilo del carico elettrico in esame. Tali componenti sono stati aggiunti come features, insieme a quelle atmosferiche di temperatura, irradianza globale e velocità del vento, rese disponibili dal provider ARENA con dettaglio quart’orario, e a quelle discreti contenenti informazioni di calendario quali “ore, giorno, mese”, permettendo un miglioramento delle prestazioni rispetto al modello di partenza. Poiché i risultati ottenuti hanno mostrato che nei giorni festivi si ottiene una peggiore accuratezza nella previsione rispetto ai feriali, sono state introdotte inoltre delle features di calendarizzazione discrete tali da indicare il valore del giorno precedente e del successivo al giorno di osservazione e i valori di carico corrispondenti a 7 giorni in anticipo il giorno di osservazione. Ciò ha permesso all’algoritmo di ottenere maggiori informazioni circa la disposizione temporale del profilo di carico nell’arco della settimana permettendo di ridurre ulteriormente gli errori di previsione ed in particolare, del giorno festivo. I dati resi disponibili dal TSO portoghese sono i valori di potenza richiesta (MW) del carico elettrico nazionale con frequenza di 15 minuti a partire da gennaio 2021 e aggiornati periodicamente fino al giorno precedente rispetto il giorno corrente. Per giorno corrente si intende il giorno in cui dovranno essere inviati i risultati dei valori del giorno successivo predetti dall’algoritmo sviluppato. I mesi in cui è stato scelto di testare il modello sono marzo e aprile 2023. Le analisi di performance sono state valutate sul calcolo dell’errore MAPE (mean absolute percentage error). Confrontando i risultati ottenuti con il modello di partenza, con ciascun modello preso singolarmente del ensemble proposto e con il modello semplificativo day-before, il modello proposto ottiene un miglioramento del MAPE medio mensile sotto il 3%. Inoltre, calcolando l’errore MAPE giornalmente, risulta che i 30% di tali errori presentano un valore inferiore al 2%.