Riepilogo Tecnico: Una Rete Neurale Informata dalle Regole di Mercato per la Previsione Efficiente dei Prezzi di Squilibrio Elettrico

Enunciato del Problema

La previsione accurata ed efficiente dei prezzi di squilibrio elettrico è fondamentale per i sistemi di trading energetico industriale, in particolare man mano che le risorse di accumulo e le pipeline di offerta automatizzate partecipano sempre più ai mercati di bilanciamento. Tuttavia, la previsione in tempo reale affronta tre sfide principali:

1. Regole di Mercato Non Lineari: I prezzi di squilibrio sono determinati da regole di liquidazione trasparenti ma complesse, a tratti e non lineari, che mappano i segnali di sistema (ad esempio, volumi di squilibrio, riserve attivate) sui prezzi.
2. Eterogeneità e Latenza dei Dati: La previsione richiede la sincronizzazione di segnali eterogenei (dati di sistema, di mercato e di riserva) entro vincoli temporali rigorosi, spesso complicata da ritardi di comunicazione, ritardi di pubblicazione e interruzioni delle misurazioni.
3. Perdita di Informazione nella Compressione: Gli approcci di deep learning esistenti trattano spesso i prezzi di squilibrio come target generici di serie temporali. Un problema critico identificato è la non invertibilità della funzione di prezzo: comprimere le caratteristiche grezze ($F_t$) in un prezzo in ritardo ($P_t$) disperde informazioni predittive perché molteplici stati distinti delle caratteristiche grezze possono mapparsi sullo stesso prezzo, rendendo le previsioni future indistinguibili se viene utilizzato come input solo il prezzo compresso.

Metodologia

Gli autori propongono la Rete Neurale Informata dalle Regole di Mercato (MRINN), un framework che incorpora direttamente le regole note di formazione dei prezzi di squilibrio nello spazio latente di una rete neurale espressiva.

Architettura Principale

1. Elaborazione degli Input: I segnali grezzi (ad esempio, volumi aFRR/mFRR, prezzi intraday, squilibrio di sistema) sono proiettati in uno spazio vettoriale latente anziché essere compressi in un prezzo scalare.
2. Iniezione Differenziabile delle Regole: Le regole di prezzo deterministiche (Equazioni 1–16 nel documento) sono implementate come operatori differenziabili all'interno dello spazio latente. Per gestire le operazioni non differenziabili o discontinue intrinseche nelle regole di mercato, gli autori introducono specifiche approssimazioni:
   • Min/Max: Sostituiti con funzioni softplus per garantire un flusso di gradiente regolare.
   • Valore Assoluto: Approssimato utilizzando $\sqrt{a^2 + \epsilon}$.
   • Funzione Segno: Approssimata utilizzando la tangente iperbolica (tanh).
   • Divisione: Stabilizzata aggiungendo una piccola costante al denominatore.
   • Logica Condizionale (Se-Altrimenti): Sostituita con un meccanismo di selezione soft utilizzando pesi softmax per creare una struttura di diramazione differenziabile.
   • Costanti: Le costanti di mercato predefinite sono trasformate tramite RobustScaler per adattarsi alla scala dello spazio latente.
3. Testa di Previsione: Il modello utilizza una testa gerarchica delle quantili per produrre previsioni probabilistiche. Questa progettazione impone incrementi non negativi tra le quantili (ad esempio, dalla mediana ai limiti superiore/inferiore), garantendo l'assenza di incroci delle quantili e migliorando l'affidabilità.
4. Obiettivo di Addestramento: Il modello è ottimizzato utilizzando la Perdita Media delle Quantili (AQL).

Configurazione Sperimentale

• Dataset: Dati con risoluzione di 15 minuti dal mercato di bilanciamento austriaco (2022–2026).
• Linee di Base: Il modello è confrontato con:
  • Modelli ingenui: Persistenza (ultimo prezzo) e indici intraday.
  • Modelli basati su Prezzi in Ritardo: Regressione Quantile Lineare (LQR), XGBoost e MLP utilizzando solo prezzi passati.
  • Modelli basati su Caratteristiche Grezze: Architetture avanzate di deep learning (AttnBiLSTM, iTransformer, PatchTST, TimesNet, TimeXer) che utilizzano segnali grezzi.
• Valutazione: Un protocollo di validazione incrociata temporale a 3 pieghe che copre un anno intero, con metriche che includono AQL, Errore Assoluto Medio (MAE), Errore Quadratico Medio Radice (RMSE) e Tasso di Incrocio delle Quantili (AQCR).

Risultati Chiave

1. Prestazioni rispetto alle Linee di Base:

   • MRINN ha raggiunto un AQL di 20,70, superando la migliore linea di base ingenua (25,44) del 18,63% e la migliore linea di base basata su prezzi in ritardo (MLP, 22,51) dell'8,04%.
   • Nella previsione puntuale, MRINN ha ridotto il MAE a 49,36 e l'RMSE a 277,33, superando tutti gli altri modelli.
   • Crucialmente, MRINN ha raggiunto un 0,00% di incrocio delle quantili, mentre le linee di base basate su caratteristiche grezze puramente guidate dai dati hanno mostrato tassi di incrocio compresi tra il 6,58% e l'8,53%.

2. Efficienza dei Parametri:

   • MRINN richiede solo 1.817 parametri addestrabili (dimensione del modello di circa 400 KB).
   • Questo è significativamente più piccolo rispetto alle linee di base generiche di deep learning (ad esempio, AttnBiLSTM con 28,3k parametri, TimeXer con 21,7k), che spesso richiedono centinaia di megabyte quando scalati.
   • Il tempo di addestramento è di circa 40 secondi sia su CPU che su GPU, dimostrando un'alta efficienza computazionale.

3. Ablazione e Sensibilità:

   • Contributo dei Componenti: La rimozione di uno qualsiasi dei tre componenti del prezzo (Energia di Bilanciamento, Riferimento di Mercato, Funzione di Scarsità) ha degradato le prestazioni. Il componente di Scarsità è stato il più critico per la modellazione dell'incertezza (AQL), mentre il componente di Energia di Bilanciamento è stato il più critico per l'accuratezza puntuale (MAE).
   • Leggi di Scalabilità: La previsione a breve termine (orizzonte < 180 min) ha funzionato meglio con finestre di input brevi (0–60 min), mentre orizzonti più lunghi hanno beneficiato di finestre di input più lunghe (1440 min), suggerendo un compromesso tra il rumore recente e il contesto stagionale a lungo termine.

Significato e Affermazioni

Il documento sostiene che i prior delle regole di mercato e le reti neurali espressive dovrebbero essere utilizzati congiuntamente per le applicazioni di trading energetico industriale. I contributi e le affermazioni chiave sono:

• Affrontare la Non Invertibilità: Lo studio dimostra che comprimere i segnali grezzi in prezzi in ritardo porta a una perdita di informazioni. Mantenendo le caratteristiche grezze e incorporando le regole, MRINN preserva le informazioni predittive che i modelli puramente guidati dai dati devono reimparare.
• Efficienza delle Risorse: L'integrazione di un pregiudizio induttivo strutturale (regole di mercato) consente al modello di raggiungere un'accuratezza competitiva con un numero sostanzialmente inferiore di parametri e tempi di addestramento più brevi rispetto alle linee di base generiche di deep learning. Questo rende l'approccio adatto a deploy con risorse limitate (ad esempio, server sul sito o gestione delle risorse di accumulo) dove memoria e latenza sono limitate.
• Robustezza Operativa: Il framework fornisce indicazioni attuabili per il deployment nel mondo reale, mostrando come le prestazioni del modello scalino con la lunghezza dell'input e l'orizzonte di previsione, e come si comporti quando mancano segnali specifici.
• Affidabilità Probabilistica: La testa gerarchica delle quantili garantisce previsioni probabilistiche fisicamente coerenti (nessun incrocio delle quantili), un requisito critico per la gestione del rischio nel trading energetico.

Gli autori concludono che, sebbene le regole specifiche dipendano dal mercato, la metodologia di incorporare operatori differenziabili negli spazi latenti offre una strada verso previsioni "computazionalmente sostenibili" nei sistemi energetici operativi. Si suggerisce un lavoro futuro per investigare la riutilizzabilità di questi blocchi di operatori attraverso diversi framework di mercato.