A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features

Questo lavoro propone un innovativo framework di deep learning che utilizza trasformate wavelet continue e reti neurali convoluzionali per prevedere con elevata accuratezza la domanda di calore nei sistemi di teleriscaldamento, riducendo significativamente l'errore rispetto ai metodi esistenti.

L'essenziale

Immagina di dover gestire una grande città che ha bisogno di calore (come il riscaldamento di case, uffici e scuole) ogni giorno. Il problema è che il calore non è come l'acqua del rubinetto: non puoi produrlo "a comando" se non sai esattamente quanto ne servirà domani. Se ne produci troppo, sprechi energia e soldi; se ne produci troppo poco, la gente ha freddo.

Questo articolo presenta un nuovo "oracolo digitale" (un'intelligenza artificiale) che è diventato bravissimo a prevedere quanto calore servirà nelle prossime 24 ore.

Ecco come funziona, spiegato con delle metafore:

1. Il Problema: Il "Rumore" nella Musica

Immagina che la richiesta di calore sia una canzone.

• C'è la melodia principale (il trend): in inverno fa più freddo, quindi la canzone è più forte. In estate è più debole.
• C'è il ritmo (la stagionalità): ogni mattina alle 7 c'è un picco perché la gente si sveglia, ogni notte si abbassa.
• C'è il rumore di fondo (le variazioni casuali): un giorno piove, un giorno c'è il sole, o forse è un giorno festivo e la gente dorme di più.

I vecchi metodi di previsione ascoltavano solo la melodia e il ritmo, ma si confondevano quando arrivava il "rumore". Non riuscivano a capire quando il ritmo si sarebbe rotto improvvisamente (ad esempio, durante un ponte festivo o un'ondata di freddo improvvisa).

2. La Soluzione: La "Lente Magica" (Trasformata Wavelet)

Gli autori hanno detto: "Aspetta, non ascoltiamo solo la canzone così com'è. Usiamo una lente magica!".
Questa lente si chiama Trasformata Wavelet Continua.

Immagina di guardare una foto di un'onda del mare.

• Se guardi la foto normale (dominio del tempo), vedi solo l'acqua che sale e scende.
• Se usi la lente magica, la foto si trasforma in una mappa di colori (chiamata scalogramma). Su questa mappa vedi non solo quando l'onda arriva, ma anche quanto è alta e quanto velocemente oscilla in quel preciso momento.

In pratica, il loro computer trasforma i dati del calore in una immagine colorata che mostra le "vibrazioni" del calore nel tempo. Questo permette all'intelligenza artificiale di vedere cose che prima erano invisibili, come i piccoli cambiamenti di ritmo che precedono un picco di freddo.

3. Il "Chef" (La Rete Neurale)

Una volta che hanno creato queste "mappe colorate", le passano a un Cucina Intelligente (una rete neurale convoluzionale, o CNN).

• Di solito, le CNN sono usate per riconoscere gatti o cani nelle foto. Qui, invece, imparano a riconoscere i gatti e i cani del calore: sanno dire "Ah, questa macchia verde sulla mappa significa che domani mattina alle 8 ci sarà un picco di calore!".
• Inoltre, hanno insegnato allo Chef a guardare non solo il passato recente, ma anche cosa è successo la settimana scorsa (perché il lunedì è diverso dal venerdì) e come è il meteo.

4. Gli Ingredienti Segreti (I Dati)

Per cucinare la previsione perfetta, lo Chef usa ingredienti specifici:

• Il passato: Quanto calore è stato usato ieri e l'altro ieri.
• Il meteo: La temperatura è il "condimento" più importante. Se fa freddo, la richiesta di calore sale. Hanno scoperto che la temperatura "percepita" (quella che senti sulla pelle, considerando vento e umidità) è fondamentale.
• I giorni speciali: Hanno imparato a trattare i giorni festivi (come Natale) in modo diverso dai normali sabati. Se il Natale cade di martedì, il comportamento è diverso rispetto a un martedì normale.

5. Il Risultato: Un Previsione "Super"

Hanno messo alla prova questo nuovo sistema contro altri metodi famosi (come quelli usati dalle banche o dalle grandi aziende energetiche).

• Il risultato: Il loro sistema ha sbagliato molto meno degli altri. Ha ridotto l'errore di previsione del 36-43%.
• Perché è importante? Significa che le centrali termiche possono produrre esattamente la quantità di calore necessaria, senza sprechi. È come se un chef sapesse esattamente quanti panini preparare per una fiera: non ne butta via nessuno e non ne manca nessuno.

In Sintesi

Questo studio ci dice che per prevedere il futuro (in questo caso, il calore), non basta guardare la linea del passato. Bisogna guardare la "musica" nascosta dentro i dati, separando il ritmo dal rumore. Usando una "lente magica" per trasformare i numeri in immagini e un'intelligenza artificiale che sa leggere queste immagini, siamo riusciti a creare un sistema che prevede il riscaldamento con una precisione quasi perfetta, aiutando il pianeta a risparmiare energia e a inquinare meno.

È un po' come passare da un orologio che segna solo le ore, a uno che ti dice esattamente quando arriverà il prossimo treno, anche se il traffico è imprevedibile!

Sommario tecnico

Titolo: Un Framework di Deep Learning per la Previsione della Domanda Termica Utilizzando Rappresentazioni Tempo-Frequenza di Feature Decomposte

1. Il Problema

I Sistemi di Teleriscaldamento (District Heating Systems - DHS) sono infrastrutture critiche per la distribuzione sostenibile del calore, ma la loro gestione efficiente richiede un bilanciamento ottimale tra offerta e domanda. La previsione accurata della domanda termica a breve termine (in particolare con un orizzonte di 24 ore) è fondamentale per:

• Ottimizzare la produzione di energia (caldaie, pompe di calore, gas).
• Ridurre le emissioni di carbonio e le perdite di rete operando a temperature più basse.
• Gestire l'integrazione di fonti rinnovabili variabili.

Tuttavia, la previsione è resa difficile dalla natura non lineare, non stazionaria e complessa dei modelli di consumo, influenzati da fattori esogeni (meteo, calendari) e da pattern di consumo non deterministici. Le metodologie esistenti, che vanno dai modelli statistici classici (SARIMAX) alle architetture Deep Learning avanzate (Transformer, LSTM), spesso faticano a catturare la volatilità ad alta frequenza e le dipendenze temporali a lungo raggio, specialmente su dataset reali multi-annuali e in scenari con eventi rari (es. festività). Inoltre, molte valutazioni recenti si basano su finestre temporali troppo brevi, limitando la robustezza stagionale.

2. Metodologia Proposta

Gli autori propongono un framework innovativo che trasforma il problema di previsione da una serie temporale unidimensionale a una rappresentazione bidimensionale tempo-frequenza, elaborata tramite una rete neurale convoluzionale (CNN).

• Preprocessing e Decomposizione:

  • I dati grezzi (consumo, meteo, tempo) vengono puliti dagli outlier utilizzando una tecnica basata sui residui studentizzati e lo smoothing di Savitzky-Golay.
  • Viene applicata una decomposizione additiva delle serie temporali per separare i componenti: Trend, Stagionalità e Residuo.
  • Le feature di consumo vengono decomposte in tutti e tre i componenti, mentre le feature meteorologiche vengono decomposte solo in Trend e Residuo (la stagionalità del meteo è intrinseca nel consumo storico).

• Trasformazione Tempo-Frequenza (CWT):

  • Invece di usare i dati nel dominio del tempo, ogni serie temporale decomposta viene trasformata in uno scalogramma bidimensionale utilizzando la Trasformata Wavelet Continua (CWT).
  • Questo processo mappa le dinamiche temporali in una matrice dove le righe rappresentano le scale di frequenza e le colonne i passi temporali, permettendo di localizzare eventi periodici e transitori che sono invisibili nel dominio del tempo puro.

• Architettura del Modello (Wavelet-CNN):

  • Gli scalogrammi di tutte le feature (consumo, meteo, tempo) vengono concatenati per formare un tensore di input 3D (canali multipli).
  • Il modello utilizza uno stack di tre blocchi convoluzionali 2D (con 32, 64 e 128 filtri) per estrarre pattern gerarchici spazio-temporali.
  • Assenza di Pooling: Un aspetto cruciale è l'eliminazione dei layer di pooling per preservare la risoluzione spaziale e la coerenza di fase tra input e previsione, essenziale per catturare i picchi di domanda mattutini.
  • I dati convoluti vengono appiattiti e passati a un MLP (Multi-Layer Perceptron) con due layer densi da 1024 neuroni e dropout, per produrre la previsione a 24 ore.

• Feature Engineering:

  • Vengono testate diverse combinazioni di feature: ritardi di consumo (24h e 168h), variabili meteorologiche (temperatura ambiente, "feels-like", ecc.), e feature calendariali.
  • Viene analizzato l'impatto delle festività attraverso strategie di embedding categorico e "lagged" (sostituzione con il consumo dello stesso giorno festivo dell'anno precedente).

3. Contributi Chiave

1. Nuovo Framework Deep Learning: Introduzione di un approccio che combina CWT e CNN per la previsione della domanda termica, superando i limiti dei modelli puramente temporali.
2. Valutazione Sistematica delle Feature: Analisi rigorosa dell'impatto della decomposizione delle serie temporali e della selezione delle feature esogene. Dimostrazione che la decomposizione riduce il rumore e migliora l'accuratezza, anche con feature meteorologiche complesse.
3. Benchmark Completo: Confronto su larga scala contro modelli statistici (SARIMAX), ML classico (XGBoost), architetture DL avanzate (LSTM, Transformer come Informer, Autoformer, PatchTST) e modelli Foundation (TTM, Chronos-2).
4. Robustezza e Generalizzazione: Validazione su dataset multi-annuali (fino a 7 anni) provenienti da tre distretti reali in Danimarca e due dataset pubblici (Flensburg, Germania e Aalborg, Danimarca), dimostrando stabilità temporale.

4. Risultati

Il modello proposto ha dimostrato prestazioni superiori in tutti i test condotti:

• Riduzione dell'Errore: Rispetto ai baseline più forti (come TimeMixer e DLinear), il modello proposto ha ridotto l'Errore Assoluto Medio (MAE) del 36% - 43% su tutti i dataset.
  • Esempio: Su DMA A, il MAE è sceso da ~173 kWh (TimeMixer) a 99.76 kWh.
• Accuratezza: Ha raggiunto un'accuratezza di previsione fino al 95% sui dataset di test annuali.
• Gestione della Volatilità: A differenza dei modelli Transformer che tendono a "smussare" le previsioni (perdendo i picchi), il modello Wavelet-CNT riesce a tracciare fedelmente i picchi di domanda mattutini e le transizioni rapide, grazie alla rappresentazione tempo-frequenza.
• Impatto delle Feature:
  • La decomposizione delle feature ha portato a miglioramenti significativi (fino al 12% di riduzione MAE).
  • L'aggiunta di feature temporali cicliche esplicite (sine-cosine) ha peggiorato le prestazioni, suggerendo che la CNN impara meglio la temporalità direttamente dagli scalogrammi.
  • Le feature per le festività hanno migliorato la previsione durante eventi specifici, riducendo gli errori in giorni critici come Natale e Capodanno.
• Stabilità Temporale: L'analisi longitudinale (rolling window) su 7 anni ha mostrato che il modello mantiene prestazioni costanti nel tempo, adattandosi bene all'accumulo di dati storici.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo per la gestione intelligente delle reti di teleriscaldamento:

• Operatività: La maggiore accuratezza e la capacità di tracciare i picchi permettono agli operatori di ridurre i margini di sicurezza sulla temperatura di fornitura, diminuendo le perdite di rete e facilitando l'integrazione di fonti rinnovabili, contribuendo alla decarbonizzazione.
• Efficienza Computazionale: Il successo di un'architettura CNN relativamente leggera rispetto ai pesanti Transformer suggerisce che per questo dominio non è necessaria una scala computazionale massiccia, rendendo la soluzione più pratica per il deployment industriale.
• Riproducibilità: La disponibilità di codice e dati su repository pubblici e l'uso di dataset multi-geografici stabiliscono un nuovo standard per la ricerca nella previsione della domanda termica.

In sintesi, il paper dimostra che la trasformazione delle serie temporali in rappresentazioni tempo-frequenza, combinata con l'analisi di componenti decomposti, offre una soluzione robusta e ad alte prestazioni per una delle sfide più complesse nella gestione energetica moderna.