📊 statistics

A Blind Source Separation Framework to Monitor Sectoral Power Demand from Grid-Scale Load Measurements

Questo articolo propone un framework di separazione cieca delle sorgenti basato su una fattorizzazione di matrice non negativa con vincoli lineari (LCNMF) per disaggregare le misurazioni di carico della rete ad alta tensione in componenti settoriali, dimostrando la sua efficacia nel stimare la domanda elettrica residenziale, dei servizi e industriale utilizzando dati nazionali italiani.

Autori originali: Guillaume Koechlin, Filippo Bovera, Elena Degli Innocenti, Barbara Santini, Alessandro Venturi, Simona Vazio, Piercesare Secchi

Pubblicato 2026-04-16

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Guillaume Koechlin, Filippo Bovera, Elena Degli Innocenti, Barbara Santini, Alessandro Venturi, Simona Vazio, Piercesare Secchi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un chef stellato che deve capire esattamente cosa c'è dentro una grande zuppa, ma senza poter assaggiare i singoli ingredienti separatamente. Hai solo il gusto della zuppa finita e sai che è fatta di tre cose principali: carne (industria), verdura (servizi) e pasta (abitazioni).

Il problema è che non hai le ricette originali e non puoi vedere i singoli ingredienti mentre cuociono. Devi solo guardare la zuppa che bolle e indovinare: "Quanta carne c'è oggi? Quanta verdura? E la pasta?".

Questo è esattamente il problema che affrontano gli autori di questo articolo, ma al posto della zuppa c'è la rete elettrica italiana e al posto degli ingredienti ci sono i consumi di elettricità di tre grandi gruppi: le case, le aziende e i servizi pubblici.

Ecco come funziona il loro "trucco da chef", spiegato in modo semplice:

1. Il Problema: La Zuppa Segreta

In Italia, chi gestisce la rete elettrica (Terna) vede perfettamente quanta energia viene consumata in totale ogni ora. È come se vedesse il livello della zuppa nel pentolone.
Tuttavia, non sa chi sta mangiando cosa. Non sa se l'aumento di consumo alle 19:00 è dovuto alle famiglie che accendono le luci e la TV, o alle fabbriche che stanno finendo il turno, o agli uffici che si stanno spegnendo.
I dati dettagliati (chi consuma cosa) sono difficili da raccogliere, costosi e arrivano con un anno di ritardo. È come se il chef sapesse solo che la zuppa è salata, ma non sa se è colpa del sale, del formaggio o del prosciutto.

2. La Soluzione: L'Intelligenza Matematica (BSS)

Gli autori hanno creato un metodo chiamato Separazione Cieca delle Fonti. "Cieca" significa che non guardano i singoli contatori di ogni casa o fabbrica.
Hanno usato un algoritmo matematico (una sorta di "detective digitale") che funziona così:

Osserva il ritmo: Sa che le fabbriche lavorano di giorno e si fermano la notte (e d'estate in agosto). Sa che le famiglie consumano di più la sera. Sa che i servizi (negozi, uffici) hanno un ritmo diverso.
Cerca i pattern: Anche se non vede i singoli ingredienti, nota che certi giorni (come i lunedì) la "zuppa" ha un sapore molto "industriale", mentre la domenica è più "domestica".
Usa indizi esterni (La "Salsa Segreta"): Qui sta la genialità. Loro non sono completamente ciechi. Hanno delle informazioni generali: sanno quanto energia ha consumato l'Italia in totale in un anno per settore (dati annuali) e come è variato mese per mese (indizi mensili).
- Metafora: È come se il chef sapesse: "So che in tutto l'anno ho usato 10kg di carne, 5kg di verdura e 8kg di pasta. E so che a luglio ho usato meno carne perché la gente va in vacanza".
- Usano queste informazioni come "vincoli" per guidare il detective. Non gli dicono esattamente quanto c'è oggi, ma gli dicono quanto dovrebbe esserci in media. Questo aiuta l'algoritmo a non sbagliare strada.

3. Il Risultato: La Zuppa Scomposta

Grazie a questo metodo, chiamato LCNMF (un nome complicato per una tecnica che separa i segnali), sono riusciti a:

Indovinare i profili: Hanno ricostruito come consumano tipicamente le famiglie, le industrie e i servizi in Italia. Hanno scoperto, ad esempio, che le industrie hanno un picco molto preciso la mattina presto, mentre le famiglie hanno due picchi (uno a pranzo e uno a cena).
Fare previsioni in tempo reale: Una volta imparati questi "ritmi", possono guardare il consumo totale di oggi e dire: "Ok, oggi le famiglie hanno consumato X, le industrie Y".
Confermare la teoria: Hanno testato il metodo sui dati del 2023 (che non avevano usato per "allenare" il detective) e hanno scoperto che le loro stime corrispondevano quasi perfettamente ai dati ufficiali che Terna ha raccolto dopo un anno.

Perché è importante?

Immagina di dover gestire il traffico in una città enorme. Se sai solo quante auto ci sono in totale, puoi solo dire "c'è traffico". Ma se sai che le auto sono per lo più camion (industria) o auto private (famiglie), puoi prendere decisioni migliori:

Se sai che domani è un giorno festivo, sai che il traffico sarà diverso (meno camion, più auto private).
Se arriva un'ondata di caldo, sai che le famiglie accenderanno più condizionatori e puoi preparare la rete.

In un mondo dove l'energia viene da fonti rinnovabili (sole e vento) che non sono sempre costanti, sapere chi sta consumando e quando è fondamentale per non sprecare energia e per evitare blackout.

In sintesi

Gli autori hanno inventato un trucco matematico che, partendo solo dal consumo totale di un intero paese, riesce a "smontare" la zuppa elettrica e dirci quanto ne ha mangiato ogni singolo gruppo (case, industrie, servizi), usando solo indizi generali e l'intelligenza dei dati. È come se riuscissimo a leggere la ricetta di un piatto segreto guardando solo il piatto finito.

Titolo: Un Framework di Separazione Cieca delle Sorgenti per Monitorare la Domanda di Potenza Settoriale dalle Misurazioni di Carico su Scala di Rete

1. Il Problema

La gestione della flessibilità della domanda è fondamentale per integrare le energie rinnovabili variabili. Tuttavia, a livello nazionale e regionale, la visibilità sulla composizione del carico elettrico tra diverse categorie di consumatori (residenziale, servizi, industriale) è limitata.

Limiti attuali: I dati di consumo settoriale sono spesso disponibili solo con risoluzione temporale bassa (annuale) e con lunghi ritardi di reporting, poiché devono essere aggregati da reti di media e bassa tensione gestite da numerosi distributori (DSO), al di fuori della portata diretta dei Gestori della Rete di Trasmissione (TSO).
Obiettivo: Monitorare in tempo reale il consumo orario dei settori residenziale, commerciale/servizi e industriale partendo esclusivamente dalle misurazioni aggregate ad alta tensione (rete di trasmissione), senza disporre di dati di "verità fondamentale" (ground truth) settoriali ad alta frequenza.

2. Metodologia

Il lavoro propone un approccio di Separazione Cieca delle Sorgenti (BSS) per disaggregare il carico aggregato. Il problema è formulato come una variante vincolata della Fattorizzazione a Matrice Non Negativa (NMF), denominata LCNMF (Linearly-Constrained Non-negative Matrix Factorization).

Formulazione del Problema:
- Il carico osservato $X$ (curve giornaliere) è modellato come una combinazione lineare di $K$ sorgenti latenti $S$ (profili di carico) moltiplicate per coefficienti di concentrazione $C$ : $X \approx CS$ .
- A differenza della NMF standard, il metodo introduce vincoli lineari per incorporare informazioni parziali disponibili (dati a bassa frequenza).
Vincoli e Dati di Input:
- Dati di Carico: Misurazioni orarie del carico nazionale italiano (2021-2023) fornite da Terna.
- Informazioni A Priori:
  1. ASD (Annual Sector Demand): Domanda annuale per settore.
  2. MSI (Monthly Sector Indicators): Indicatori unitari mensili che descrivono l'evoluzione temporale del consumo per settore.
- Questi dati sono utilizzati per vincolare la soluzione affinché le stime mensili aggregate delle sorgenti corrispondano alle distribuzioni note (ASD e MSI).
Algoritmo di Soluzione:
- È stato sviluppato un algoritmo di Aggiornamenti Moltiplicativi (MU) modificato per risolvere il problema LCNMF.
- La funzione di perdita include termini di penalizzazione per i vincoli lineari:
  $L(C, S) = \|X - CS\|_F^2 + \alpha\|BCA - Y\|_F^2 + \beta\|FSD - Z\|_F^2$
  dove i termini aggiuntivi assicurano che la scomposizione rispetti i dati settoriali mensili e annuali.
- Strategia di Inizializzazione: Per evitare minimi locali, l'algoritmo viene eseguito 1000 volte con inizializzazioni casuali. Le soluzioni vengono clusterizzate e quelle con il valore di perdita minimo vengono selezionate per creare un insieme robusto di stime, permettendo anche la quantificazione dell'incertezza.
Identificazione delle Sorgenti:
- L'analisi PCA suggerisce l'uso di $K=5$ sorgenti per spiegare il 97% della varianza.
- Mappatura: 2 sorgenti per il residenziale, 2 per i servizi, 1 per l'industria. Questo permette di catturare le variazioni stagionali e giornaliere (es. weekend vs giorni feriali) che un profilo fisso non potrebbe rappresentare.

3. Risultati Chiave

Il metodo è stato validato sui dati italiani del 2021-2022 (training) e testato sul 2023 (blind test, senza usare dati settoriali per quell'anno).

Qualità della Scomposizione:
- L'LCNMF fornisce un'approssimazione migliore rispetto alla PCA funzionale (FPCA) standard.
- Profilo Industriale: Identificato con alta precisione da una singola sorgente ( $S_3$ ), caratterizzato da un picco mattutino, tre picchi distinti (09:00, 16:00, 20:00) e bassa attività nei weekend/festivi.
- Profilo Residenziale: Mostrato come una combinazione di due sorgenti, rivelando due regimi distinti: uno invernale (rampa mattutina precoce, picco serale anticipato) e uno estivo (rampa più graduale, picco serale ritardato), coerente con l'uso di riscaldamento elettrico e condizionatori.
- Profilo Servizi: Profilo più piatto durante le ore lavorative, con variazioni stagionali (picco pomeridiano estivo legato al condizionamento).
Validazione Temporale:
- Le stime mensili di consumo settoriale per il 2023, ottenute tramite la scomposizione cieca, sono state confrontate con gli indicatori ufficiali (MSI).
- Il metodo BSS ha ottenuto un coefficiente di correlazione di Pearson di 0.951 (Residenziale), 0.974 (Industria) e 0.970 (Servizi), superando o eguagliando le prestazioni di modelli di previsione tradizionali (come Holt-Winters) e di forecast naive.
Incertezza: L'approccio ensemble permette di quantificare l'incertezza, che risulta più alta per i settori residenziale e servizi rispetto all'industria, specialmente nei weekend e nei lunedì.

4. Contributi Principali

Primo approccio di disaggregazione a livello di trasmissione: È il primo metodo proposto per monitorare la domanda settoriale a livello nazionale utilizzando solo misurazioni ad alta tensione, senza bisogno di dati di consumo end-user.
Nuovo Framework Algoritmico (LCNMF): Introduzione di un metodo generale per risolvere problemi NMF con vincoli lineari sulle matrici fattorizzate, applicabile a qualsiasi scala di rete elettrica dove mancano dati disaggregati ad alta frequenza.
Approccio Top-Down: Dimostrazione che è possibile identificare profili di carico settoriali e le loro variazioni temporali (giornaliere/stagionali) senza campioni di consumatori, basandosi solo su dati aggregati e indicatori macroeconomici mensili/annuali.

5. Significato e Implicazioni

Gestione della Flessibilità: Fornisce ai TSO e ai policymaker strumenti per monitorare la composizione del carico in tempo reale, essenziale per gestire la domanda (Demand Response) e reagire a shock economici o eventi meteorologici estremi.
Modellazione e Previsione: Migliora la modellazione del carico aggregato permettendo di comprendere come i diversi settori rispondano a condizioni specifiche (es. temperatura, giorni festivi), migliorando le previsioni a breve termine.
Generalizzabilità: Il framework è applicabile a qualsiasi rete elettrica dove i dati disaggregati sono assenti, purché siano disponibili alcune informazioni a bassa frequenza (es. bilanci energetici annuali) per vincolare la soluzione.
Limitazioni: L'assenza di dati di verità fondamentale ad alta frequenza (ora/giorno) impedisce una validazione diretta della precisione oraria, sebbene la coerenza con le statistiche mensili sia alta. Il modello assume una relazione gerarchica fissa tra sorgenti e settori che potrebbe non essere sempre perfetta in scenari complessi.

In sintesi, il paper dimostra che è possibile "sbloccare" informazioni dettagliate sul consumo energetico settoriale da dati aggregati pubblici, offrendo una soluzione scalabile e priva di costi di installazione di sensori aggiuntivi per la transizione energetica.