Riepilogo Tecnico: PriceFM – Modello Fondamentale per la Previsione Probabilistica dei Prezzi dell'Elettricità

1. Enunciato del Problema

Una previsione probabilistica accurata dei prezzi dell'elettricità è fondamentale per le operazioni sostenibili dei sistemi energetici, in particolare con l'aumento della penetrazione delle energie rinnovabili. Il mercato elettrico europeo presenta sfide uniche a causa dell'alta variabilità della generazione solare ed eolica, della profonda integrazione di mercato e di un sistema di trasmissione fisicamente interconnesso.

Gli approcci esistenti affrontano due limitazioni principali:

1. Mancanza di Modellazione Spaziale: La maggior parte dei modelli si concentra su mercati a regione singola (ad esempio, la Germania) o tratta le regioni in modo indipendente, non riuscendo a catturare le interdipendenze spaziali guidate dagli scambi di energia transfrontalieri.
2. Priors di Grafo Inadeguati nei Modelli Fondamentali: Sebbene i recenti modelli fondamentali (ad esempio, Chronos, TimesFM) eccellano nella previsione generale delle serie temporali, fanno tipicamente affidamento su meccanismi di miscelazione puramente basati sui dati. Non incorporano conoscenze a priori esplicite sulla topologia di trasmissione. Di conseguenza, potrebbero apprendere involontariamente segnali rumorosi da regioni topologicamente distanti, portando a un sovradattamento e a una ridotta generalizzazione nei sistemi interconnessi.

L'articolo sostiene che modellare esplicitamente la struttura spaziale del mercato europeo, vincolata dalle linee di trasmissione fisiche, è essenziale per una corretta formazione dei prezzi.

2. Metodologia: PriceFM

Gli autori propongono PriceFM, un modello fondamentale probabilistico progettato specificamente per i mercati elettrici europei. L'architettura integra un meccanismo di proiezione condiviso con una maschera di grafo sparsa guidata dalla topologia.

A. Fondamenta dei Dati

Il modello è costruito su un dataset completo e consapevole delle rinnovabili che copre 24 paesi europei (38 regioni) dal 1° gennaio 2022 al 1° gennaio 2026.

• Caratteristiche: Prezzi day-ahead dell'elettricità, previsioni del carico e previsioni di generazione solare/eolica (somma di onshore e offshore).
• Risoluzione: Tutte le caratteristiche sono ricampionate a una risoluzione di 15 minuti per allinearsi con gli standard di mercato UE in evoluzione.
• Ambito: Il dataset include circa 5,3 milioni di record, affrontando la mancanza di dati standardizzati su larga scala per l'addestramento di modelli fondamentali.

B. Architettura del Modello

PriceFM elabora input multi-regione per produrre previsioni multi-regione, multi-passo temporale e multi-quantile.

1. Strato di Proiezione Condiviso Mixture-of-Experts (MoE):

   • Per garantire che le rappresentazioni regionali siano confrontabili, il modello mappa gli input (prezzi e caratteristiche esogene) in uno spazio di embedding latente condiviso.
   • Invece di assegnare un livello denso unico a ciascuna delle 38 regioni, viene utilizzato un MoE condiviso. Questo livello è composto da un Esperto di Fusione (che combina prezzi e caratteristiche esogene tramite addizione residua) e un Router di Ponderazione (che seleziona dinamicamente i pesi degli esperti in base alle caratteristiche di input).
   • Questo design permette alle regioni con pattern simili di condividere i meccanismi di proiezione mantenendo al contempo la flessibilità.

2. Maschera di Grafo Sparsa Guidata dalla Topologia:

   • Questa è l'innovazione principale che distingue PriceFM dai modelli fondamentali generici.
   • Il modello costruisce una maschera di grafo sparsa basata sulla topologia fisica di trasmissione. Calcola la distanza del grafo (numero di salti di trasmissione) tra una regione di input e una regione di output target utilizzando la ricerca in ampiezza (BFS).
   • Un iperparametro $\delta$ (taglio del grado del grafo) limita l'aggregazione a un vicinato delimitato. Le regioni oltre questa distanza vengono mascherate (assegnate 0), impedendo al modello di incorporare segnali rumorosi da aree topologicamente distanti.
   • Gli embedding regionali vengono aggregati tramite una media vincolata dalla sparsità, agendo come regolarizzatore spaziale.

3. Testa Gerarchica dei Quantili:

   • Per garantire la coerenza probabilistica e prevenire il crossing dei quantili (dove i quantili superiori scendono sotto quelli inferiori), il modello impiega una testa gerarchica.
   • Prevede prima la traiettoria mediana ($\tau=0.5$).
   • I quantili superiori e inferiori vengono quindi generati aggiungendo o sottraendo residui non negativi (derivati tramite funzioni valore assoluto o ReLU) dalla mediana. Questo garantisce la monotonia tra i quantili.

C. Obiettivo di Addestramento

Il modello viene addestrato utilizzando la Perdita Media dei Quantili (AQL) su più regioni, passi temporali e quantili.

3. Contributi Chiave

1. Rilascio del Dataset: Introduzione del dataset open più grande e diversificato per i mercati elettrici europei a oggi, che copre 38 regioni in un periodo di 4 anni con caratteristiche consapevoli delle rinnovabili.
2. Framework PriceFM: Un nuovo modello fondamentale probabilistico che integra priors di topologia di trasmissione in un'architettura fondamentale di serie temporali. Supporta previsioni multi-regione, multi-passo temporale e multi-quantile.
3. Valutazione Completa: Esperimenti estesi che confrontano PriceFM con baseline naive, modelli puri di serie temporali, modelli basati su grafi e modelli fondamentali generici (ad esempio, Chronos, Moirai, TimesFM).

4. Risultati Sperimentali

Gli autori hanno valutato PriceFM utilizzando una valutazione rolling a 3 pieghe e una strategia zero-shot "leave-one-region-out".

• vs. Modelli Naive: PriceFM ha superato significativamente le baseline naive stagionali, riducendo l'AQL del 62,1%, l'MAE del 35,3% e l'RMSE del 31,3%.
• vs. Modelli di Serie Temporali: PriceFM ha superato la migliore baseline pura di serie temporali (TimesNet) del 37,6% in termini di AQL, dimostrando la necessità di un bias induttivo spaziale esplicito.
• vs. Modelli a Grafo: PriceFM ha migliorato la migliore baseline a grafo (GraphConv) del 12,3% in termini di AQL. Gli autori attribuiscono ciò al meccanismo di mascheramento sparso, che mitiga il rischio di sovradattamento associato ai GNN puramente basati sui dati che propagano segnali da regioni debolmente correlate.
• vs. Modelli Fondamentali Generici: In un setting zero-shot leave-one-region-out, PriceFM ha ridotto l'AQL del 14,7% rispetto al più forte modello fondamentale generico (Chronos[2.0]). Ciò suggerisce che il pre-addestramento su domini ampi non è sufficiente a catturare le specifiche dipendenze spaziali dei mercati elettrici interconnessi senza priors di grafo espliciti.
• Crossing dei Quantili: PriceFM ha raggiunto un Tasso di Crossing dei Quantili (AQCR) dello 0,00%, mentre molte baseline hanno mostrato tassi di crossing non nulli.

Studi di Ablazione hanno confermato che:

• Un taglio del grado del grafo di $\delta=0$ (utilizzando solo dati locali) era ottimale per alcune regioni (ad esempio, Germania, Francia), mentre altre hanno beneficiato di informazioni dai vicini.
• L'uso di 4 esperti ($M=4$) nello strato MoE era sufficiente.
• Rimuovere la maschera guidata dalla topologia o sostituirla con una maschera casuale ha causato un calo significativo delle prestazioni, validando l'importanza del prior della rete fisica.

5. Significato e Affermazioni

L'articolo afferma che PriceFM fornisce uno strumento scalabile e consapevole dell'incertezza per i sistemi energetici che affrontano una crescente penetrazione delle rinnovabili. Il suo significato risiede in:

• Colmare il Divario: Integrazione riuscita di vincoli fisici specifici del dominio (topologia di trasmissione) nel paradigma del modello fondamentale, che in precedenza faceva affidamento su approcci puramente basati sui dati.
• Generalizzazione: Dimostrazione di capacità di generalizzazione superiori, in particolare in scenari zero-shot per regioni non viste, il che è cruciale per i mercati in cui i dati di addestramento full-shot potrebbero essere limitati.
• Valore Operativo: Modellando congiuntamente solare, eolico, carico, prezzi e interazioni indotte dalla topologia, il framework supporta un migliore processo decisionale per l'integrazione delle rinnovabili e l'operazione flessibile della rete.

Gli autori notano che il framework è adattabile; se la rete fisica di trasmissione evolve, il modello può essere riaddestrato aggiornando semplicemente la matrice di adiacenza, mantenendo invariato l'intero processo. Suggeriscono inoltre che il lavoro futuro potrebbe esplorare schemi di ponderazione spaziale alternativi basati su caratteristiche socio-economiche o di sistema.