ETD

• carico elettrico
• dati energetici
• electric load
• energie rinnovabili
• forecasting
• lstm
• machine learning
• modello fisico
• sistemi energetici
• transmission system operator
• xgboost

The ongoing energy transition, characterized by the growing electrification of consumption, the spread of non-programmable renewable sources, and the decentralization of production, is profoundly transforming the operation of energy systems. In this context, the ability to accurately forecast energy demand plays a strategic role in ensuring operational efficiency, security, reliability, and resilience, not only at the level of a complex national system, but also in smaller contexts such as distribution networks and local energy management systems. Electricity demand forecasting is an essential element for balancing production and consumption and for supporting the decision-making processes of grid operators and market players. This thesis analyzes and compares hybrid models for day-ahead load forecasting of the Italian electricity system, based on deep learning and gradient boosting architectures, enriched by integrating physical-type elements such as calendar variables and hourly meteorological data. The models were trained on a three-year historical period and validated on subsequent data. The best results were obtained with XGBoost. The residual analysis reveals an asymmetric distribution with heavy tails, linked to extreme and underrepresented events in the historical data, confirming that one of the main limitations of the problem is the scarcity of samples for rare conditions. Finally, the work proposes insights for future developments based on advanced machine-learning models adapted to time series management and algorithm combination approaches.

La transizione energetica in atto, caratterizzata dalla crescente elettrificazione dei consumi, dalla diffusione delle fonti rinnovabili non programmabili e dalla decentralizzazione della produzione, sta trasformando profondamente il funzionamento dei sistemi energetici.
In questo contesto, la capacità di prevedere accuratamente la domanda di energia assume un ruolo strategico per garantire efficienza operativa, sicurezza, affidabilità e resilienza, non solo a livello di un sistema energetico complesso come quello nazionale, ma anche in contesti più piccoli quali reti di distribuzione e sistemi locali di gestione dell'energia. La previsione della domanda elettrica un elemento essenziale per bilanciare produzione e consumo e per supportare i processi decisionali dei gestori di rete e degli operatori di mercato.
Questa tesi analizza e confronta modelli ibridi per il day-ahead load forecasting del sistema elettrico italiano, basati su architetture di deep learning e gradient boosting, arricchiti integrando elementi di tipo fisico, quali variabili calendariali, dati meteorologici orari.
I modelli sono stati addestrati su un triennio storico e validati su dati successivi. I risultati migliori sono stati ottenuti con XGBoost. L’analisi dei residui mostra una distribuzione asimmetrica con code pesanti, legate a eventi estremi e poco rappresentati nello storico, confermando che uno dei principali limiti del problema è la scarsità di campioni per condizioni rare. Il lavoro propone infine spunti per sviluppi futuri basati su modelli di machine-learning avanzati adattati alla gestione di serie temporali e approcci di combinazione di algoritmi.