Il Forecaster: Uso dell'apprendimento automatico per prevedere il consumo e la generazione di energia

"È difficile fare previsioni, specialmente sul futuro."- Robert Storm Petersen

Prevedere il futuro può essere difficile, ma è spesso necessario per gestire il business. Le previsioni sull'energia sono di primaria importanza nelle operazioni di mercato quotidiane. Le previsioni a breve termine generalmente coinvolgono orizzonti di previsione che vanno da pochi minuti a qualche giorno avanti. I fornitori di energia e gli operatori dei sistemi di distribuzione beneficiano di previsioni accurate della domanda e della generazione di energia perché possono orchestrare in modo ottimale i loro asset flessibili per raggiungere i loro obiettivi commerciali.

Il modulo Forecaster di Hive Platform calcola le previsioni stocastiche a breve termine del consumo energetico aggregato e della generazione fotovoltaica, utilizzando i metodi di apprendimento automatico più avanzati disponibili. Stocastico significa che non solo prevediamo la "forma" della curva di carico nel tempo, ma calcoliamo anche gli intervalli di confidenza intorno a questa curva. Gli intervalli di previsione sono essenziali quando si tratta di applicazioni di gestione del rischio, come prevedere il picco giornaliero o mensile del consumo e attivare in modo efficiente i meccanismi di peak shaving.

Come funziona?

Non c'è nessuna sfera di cristallo (purtroppo). Invece, il Forecaster della piattaforma Hive predice il consumo e la generazione futuri imparando ciò che è accaduto in passato e utilizzando le informazioni disponibili dal futuro. Il Forecaster consiste in un insieme di modelli di apprendimento automatico addestrati e continuamente ri-informati da un ricco set di dati.

I dati inseriti in questi modelli includono il segnale di potenza stesso, le previsioni meteorologiche numeriche (temperatura, radiazione solare, velocità e direzione del vento, umidità e un mucchio di altri parametri), le informazioni sulla stagionalità (l'ora del giorno, il giorno della settimana, il mese dell'anno, ecc.), i giorni festivi, le vacanze scolastiche e gli eventi personalizzati (chiusure, notti bianche, eventi importanti, eventi religiosi, ecc.)

Il tempo è il re

Il tempo è di gran lunga il fattore esterno più importante che influenza il consumo e la generazione di energia. Per questo motivo, Hive Power ha deciso di condurre una ricerca interna per esaminare e selezionare il fornitore di previsioni meteorologiche numeriche più performante. Un criterio importante che abbiamo considerato è stata la disponibilità di previsioni meteorologiche storiche. Molti fornitori di previsioni meteo non archiviano e conservano le loro previsioni. Tuttavia, le previsioni meteorologiche storiche sono di cruciale importanza per addestrare un modello di previsione energetica. Per essere robusto e affidabile, un modello dovrebbe essere addestrato sullo stesso tipo di dati che saranno utilizzati al momento dell'inferenza. Per capire questo punto, pensate a quanto segue. Se addestrassimo il modello su osservazioni meteorologiche reali, il modello imparerebbe a fidarsi dei segnali meteorologici fino a un certo livello. Quando usiamo questo modello per prevedere il futuro, dovremmo sostituire le osservazioni meteorologiche con le previsioni del tempo, che non saranno accurate al 100% per definizione di previsione. Quindi il modello darà troppo peso alle previsioni del tempo e si ingannerà da solo in errore. Al contrario, se addestriamo il modello sulle previsioni meteorologiche, il modello imparerà a fidarsi meno dei parametri meteorologici e commetterà meno errori al momento dell'inferenza. Ancora scettici? Provate voi stessi. Alcuni dei nostri scienziati più diffidenti lo hanno fatto e hanno trovato esattamente quello che ci si aspettava.

Punto di riferimento per le previsioni del tempo

Abbiamo esaminato circa una dozzina di fornitori diversi, abbiamo filtrato quelli che non spuntavano le nostre caselle e ci siamo ritrovati con cinque finalisti. Abbiamo poi chiesto loro un campione dei loro dati per costruire un benchmark. Abbiamo richiesto un anno di previsioni orarie della temperatura a livello del suolo e della radiazione solare generate per una singola località intorno alla mezzanotte e che coprono da 24 a 48 ore, che è l'orizzonte di previsione tipico dei nostri modelli di previsione energetica. Abbiamo confrontato queste previsioni con le effettive osservazioni locali e siamo rimasti sbalorditi nello scoprire le prestazioni superiori di Meteomatics. Nelle figure che seguono, mostriamo alcuni risultati. Nella Figura 1, abbiamo tracciato la distribuzione della discrepanza tra la temperatura osservata e quella prevista. Nella Figura 2, abbiamo sovrapposto le cinque distribuzioni per un confronto più conveniente. Una situazione simile è stata trovata per i parametri di radiazione solare. Era quindi chiaro che le previsioni meteorologiche numeriche di Meteomatics erano le più accurate e ben calibrate.

Figura 1 - Distribuzione della discrepanza tra la temperatura al suolo osservata e quella prevista per cinque diversi fornitori di servizi meteo. Le linee tratteggiate verticali indicano la media di ogni distribuzione (solo l'errore medio di Meteomatics è centrato sullo zero). L'errore assoluto medio (MAE) è riportato su ogni grafico (più basso è, meglio è).

Figura 2 - Le stesse distribuzioni di errore della figura 1 sovrapposte (dopo aver stimato la loro densità kernel). La curva di Meteomatics è la più stretta e l'unica che è centrata sullo zero.

L'inizio di una partnership strategica

"Stavamo cercando uno sportello unico in grado di fornirci dati meteo aggiornati e dettagliati per l'Europa, che doveva essere convenientemente disponibile tramite un'API RESTful. Abbiamo impiegato un bel po' di tempo per valutare diversi fornitori di previsioni meteorologiche numeriche. Non è stata una scelta facile a causa della nostra esigente lista di criteri, ma Meteomatics ha controllato tutte le caselle e ha superato le nostre aspettative. Cercavamo un fornitore che coprisse tutto il mondo, con particolare attenzione all'Europa e in particolare alle Alpi, che sono una regione difficile quando si tratta di previsioni meteorologiche ad alta risoluzione. Era chiaro dal nostro esercizio di benchmarking delle previsioni che Meteomatics era il più accurato, soprattutto a breve termine. Siamo stati lieti di scoprire la ricca pletora di parametri meteo standard e avanzati che l'API di Meteomatics offre. Siamo entusiasti di essere passati a Meteomatics come nostro fornitore di dati meteo e prevediamo una lunga e fruttuosa collaborazione con loro", ha detto Gianluca Corbellini, amministratore delegato di Hive Power.

Potete leggere di più su questo nell'ultimo comunicato stampa di Meteomatics: https://www.meteomatics.com/en/meteomatics-and-hive-power-agree-strategic-partnership/. Restate sintonizzati per un prossimo webinar (26 ottobre 2021) dove Hive Power e Meteomatics vi guideranno attraverso uno sguardo approfondito su come le previsioni meteorologiche numeriche informano i modelli di previsione energetica.