Bridging the climate to energy data gap: simulated annealing for representative climate year selection

Questo studio propone e valida un metodo di ottimizzazione basato sul ricottura simulata, che utilizza la distanza di Wasserstein stagionale a fette, per selezionare sottoinsiemi altamente rappresentativi di anni climatici da grandi ensemble, superando significativamente le pratiche attuali e gli algoritmi alternativi al fine di fornire input robusti e privi di bias per la modellazione dei sistemi energetici.

L'essenziale

Immagina di dover progettare una rete elettrica in grado di gestire il clima dei prossimi 30 anni. Il problema è che il clima è caotico e imprevedibile. Gli scienziati del clima hanno eseguito simulazioni con supercomputer che hanno generato 180 diversi anni possibili di dati meteorologici per mostrare ogni scenario possibile (dai anni estremamente ventosi alle siccità).

Tuttavia, i modelli informatici utilizzati per progettare la rete elettrica effettiva sono molto pesanti e lenti. Non possono elaborare 180 anni di dati contemporaneamente; possono gestire solo una manciata minuscola, forse 5 o 30 anni.

La grande domanda è: quali anni specifici dovremmo scegliere?

Se scegli gli anni sbagliati, potresti costruire una rete che funziona benissimo in un'estate mite ma crolla durante un inverno freddo e senza vento. Se scegli gli anni sbagliati, potresti sprecare miliardi di dollari in infrastrutture inadeguate.

Il problema con i metodi attuali

Attualmente, molti pianificatori energetici scelgono gli anni in modo piuttosto casuale o semplicemente guardando all'anno "medio". Gli autori di questo articolo affermano che è come cercare di capire un'intera biblioteca leggendo solo una pagina a caso. Spesso si perdono gli eventi estremi (come una "Dunkelflaute" – un periodo senza vento e senza sole) che sono cruciali per la pianificazione.

La soluzione: una "ricerca intelligente" (Simulated Annealing)

Gli autori propongono un nuovo metodo chiamato Simulated Annealing (ricottura simulata).

L'analogia:
Immagina di trovarti in una vasta catena montuosa avvolta dalla nebbia e di voler trovare la valle assolutamente più bassa (il miglior insieme di anni).

• La ricerca casuale è come lanciare un dardo su una mappa e camminare fino a quel punto. Potresti avere fortuna, ma probabilmente perderai la valle più profonda.
• I K-Medoids (lo standard precedente) sono come raggruppare le montagne in cluster e scegliere il centro di ciascun gruppo. Va bene, ma potrebbe non cogliere la forma specifica del terreno.
• Il Simulated Annealing è come un escursionista intelligente ma disposto a correre dei rischi.
  • L'escursionista inizia in un punto casuale.
  • Guarda intorno. Se trova un punto più basso, si sposta lì.
  • Crucialmente: A volte, potrebbe fare un passo in salita (verso un punto peggiore) solo per vedere se c'è una valle ancora più profonda dall'altra parte di quella collina.
  • Man mano che l'"escursione" procede, diventa meno disposto a compiere quei passi rischiosi in salita e inizia a concentrarsi sul trovare il punto più basso assoluto.
  • Questo gli impedisce di rimanere intrappolato in una piccola e bassa depressione (un minimo locale) e di perdere il punto più basso vero (il minimo globale).

Come misurano la "bontà"

Come fanno a sapere se i 5 o 30 anni scelti sono effettivamente buoni? Utilizzano uno strumento matematico chiamato Distanza di Wasserstein Stagionale Tagliata (Seasonal Sliced Wasserstein Distance).

L'analogia:
Pensa ai 180 anni di dati meteorologici come a un gigantesco e complesso frullato fatto di molti ingredienti (vento, sole, temperatura, domanda di elettricità).

• Una semplice media potrebbe controllare solo se la quantità totale di fragole è corretta.
• Questo nuovo strumento verifica:
  1. Gli ingredienti: C'è la quantità giusta di vento e sole?
  2. Il mix: Gli ingredienti si mescolano correttamente? (Ad esempio: il vento forte si verifica solitamente con poco sole? O accadono insieme?)
  3. Il tempismo: Il mix è corretto separatamente per inverno ed estate? (Un'estate ventosa è ottima, ma un inverno ventoso è ancora meglio per il riscaldamento. Se scegli anni ventosi in estate ma calmi in inverno, fallisci il test).

Lo strumento calcola un "punteggio" di quanto il tuo piccolo frullato (gli anni selezionati) sia diverso dal frullato gigante (tutti i 180 anni). Più basso è il punteggio, migliore è la corrispondenza.

Cosa hanno scoperto

I ricercatori hanno testato il loro metodo di "ricerca intelligente" contro il semplice indovinare a caso, l'indovinare filtrato e il vecchio metodo di clustering in tre scenari:

1. Solo i Paesi Bassi (30 anni).
2. Tutta l'Europa (30 anni).
3. Tutta l'Europa (5 anni).

I risultati:

• Il vincitore: La "ricerca intelligente" (Simulated Annealing) ha trovato costantemente i migliori insiemi di anni.
• Il moltiplicatore magico: Quando hanno scelto solo 30 anni utilizzando questo metodo, quei 30 anni erano così rappresentativi da agire come 130-140 anni di dati. Hanno ottenuto 4-5 volte più "valore" dai dati di quanto ne avessero fisicamente.
• Meglio della pratica attuale: Il metodo utilizzato è 2,5-3,5 volte migliore dello standard attuale utilizzato dalle principali organizzazioni energetiche europee (ENTSO-E).
• Coerenza: A differenza di altri metodi che dipendono fortemente dalla "fortuna" (ottenere un buon risultato solo per caso), questo metodo funziona in modo affidabile ogni volta che viene eseguito.

La conclusione

Questo articolo non si limita a dire "scegli anni migliori". Fornisce una ricetta specifica e matematicamente provata (Simulated Annealing + uno strumento di punteggio specifico) per garantire che, quando le aziende energetiche costruiranno la rete per il futuro, non stiano scommettendo su un indovino fortunato. Stanno utilizzando un piccolo campione attentamente selezionato che rispecchia perfettamente la realtà complessa e caotica del clima completo.

Un'ultima nota sull'"anno": L'articolo suggerisce anche di definire un "anno" dal 1° aprile al 31 marzo (invece che da gennaio a dicembre). Perché? Perché questo mantiene l'inverno insieme in un unico blocco. Poiché l'inverno è il periodo più stressante per la rete elettrica (riscaldamento + meno sole), dividere l'inverno tra due anni civili spezzerebbe i dati e renderebbe più difficile pianificare per quei critici abbassamenti di temperatura.

Sommario tecnico

Riepilogo Tecnico: Colmare il Divario tra Dati Climatici ed Energetici tramite Ricottura Simulata

Enunciato del Problema
I modelli dei sistemi energetici dipendono sempre più da input climatici accurati per pianificare le fonti rinnovabili dipendenti dal meteo. Tuttavia, esiste un disallineamento fondamentale tra la scienza del clima e la modellazione dei sistemi energetici. La scienza del clima utilizza grandi ensemble (da centinaia a migliaia di anni simulati) per catturare l'intera distribuzione dei possibili esiti, inclusi gli estremi. Al contrario, i modelli di sistemi di potenza ad alta richiesta computazionale (che gestiscono l'impegno delle unità, i vincoli di rete e le dinamiche di mercato con risoluzione oraria) possono tipicamente elaborare solo una manciata di anni (1–30).

Le pratiche attuali per la selezione di questi anni rappresentativi, come quelle utilizzate da ENTSO-E nella Valutazione dell'Adeguatezza delle Risorse Europee (ERAA), spesso si basano su metodi non validati come la selezione casuale, la selezione pseudo-casuale attorno a un periodo target o il clustering K-Medoids. Questi approcci mancano di criteri espliciti di rappresentatività, rischiando decisioni di investimento distorte e lasciando i sistemi energetici impreparati a condizioni meteorologiche plausibili che vengono escluse da metodologie inadeguate. La selezione di un piccolo sottoinsieme da un grande ensemble è un problema combinatorio con un'"esplosione combinatoria" di possibilità (ad esempio, selezionare 30 anni da 180 produce circa $1,3 \times 10^{34}$ combinazioni), rendendo impossibile una ricerca esaustiva.

Metodologia
Questo studio propone la Ricottura Simulata (SA) come metodo di ottimizzazione per selezionare sottoinsiemi rappresentativi di anni climatici completi da grandi ensemble. L'approccio è valutato rispetto a tre metodi alternativi: Ricerca Casuale (RS), Ricerca Casuale Filtrata (FRS) e clustering K-Medoids.

• Fonte Dati: Lo studio utilizza il Pan-European Climate Database (PECD), specificamente 180 anni climatici (6 modelli CMIP6 × 30 anni nello scenario SSP2-4.5, 2016–2045).
• Variabili: La selezione viene effettuata su variabili derivate con impatto energetico piuttosto che su campi meteorologici grezzi per tenere conto delle non linearità. Queste includono la produzione eolica offshore/onshore, la produzione solare, vari tipi di energia idroelettrica, la domanda elettrica e il carico residuo, aggregati in medie giornaliere a livello nazionale (NUTS0).
• Funzione di Costo (Metrica di Rappresentatività): Lo studio impiega la Distanza di Wasserstein Stagionale a Fette (SSWD).
  • Distanza di Wasserstein: Una metrica di trasporto ottimale che quantifica il "lavoro" necessario per trasformare una distribuzione di probabilità in un'altra, catturando le strutture di dipendenza congiunta e le correlazioni tra le variabili.
  • Approssimazione a Fette: Per gestire in modo efficiente dati ad alta dimensionalità, i dati multivariati vengono proiettati su linee 1D casuali, e la distanza di Wasserstein 1D viene calcolata e mediata.
  • Estensione Stagionale: Per prevenire bias stagionali (ad esempio, un'estate ventosa che compensa un inverno con poco vento), il dataset viene suddiviso in inverno esteso (ottobre–marzo) ed estate (aprile–settembre). La SSWD è definita come il massimo delle due distanze stagionali, garantendo che entrambe le stagioni siano adeguatamente rappresentate.
• Algoritmi:
  • Ricottura Simulata: Un algoritmo di ottimizzazione stocastica che scambia iterativamente anni in un sottoinsieme candidato, accettando soluzioni peggiori con una probabilità decrescente per sfuggire ai minimi locali.
  • K-Medoids: Raggruppa gli anni e seleziona il membro più centrale (medoide) di ciascun cluster.
  • Ricerca Casuale Filtrata: Applica filtri preliminari economici (differenza di media e distanza energetica) per rifiutare candidati scadenti prima di calcolare la costosa SSWD.
• Disegno Sperimentale: Sono stati condotti tre studi di caso: (1) 30 anni per i Paesi Bassi, (2) 30 anni per l'Europa e (3) 5 anni per l'Europa. Ogni metodo è stato eseguito 25 volte per valutare la coerenza utilizzando i fattori "fortuna" e "fragilità".

Risultati Chiave
In tutti e tre gli studi di caso, la Ricottura Simulata ha prodotto costantemente i sottoinsiemi più rappresentativi:

• Prestazioni: SA ha ottenuto i punteggi SSWD più bassi in tutti i casi. Nel caso europeo a 30 anni, il sottoinsieme SA era circa 2,5–3,5 volte più rappresentativo rispetto all'attuale pratica ENTSO-E (ERAA25), nonostante quest'ultima utilizzasse 36 anni contro i 30 di SA.
• Dimensione Campione Effettiva: I sottoinsiemi selezionati da SA hanno raggiunto una "dimensione campione effettiva" quattro o cinque volte superiore alla loro dimensione reale. Ad esempio, il miglior sottoinsieme SA a 30 anni per i Paesi Bassi era statisticamente equivalente a un'estrazione casuale di qualità mediana di 140 anni.
• Coerenza: SA ha dimostrato bassi fattori di "fortuna" e "fragilità", indicando prestazioni stabili indipendentemente dalle condizioni iniziali. Al contrario, la Ricerca Casuale Filtrata ha funzionato bene in scenari a singola estrazione ma si è degradata significativamente nei casi ad alta dimensionalità (Europei), spesso performando peggio della semplice ricerca casuale a causa di una pre-filtrazione eccessivamente restrittiva.
• Confronto: K-Medoids si è classificato costantemente al secondo posto, ma non ha ottimizzato direttamente la rappresentatività della distribuzione congiunta nello stesso modo in cui ha fatto SA.

Significato e Affermazioni
Il documento afferma che l'approccio proposto SA+SSWD colma il divario tra la scienza del clima (grandi ensemble) e la modellazione dei sistemi energetici (piccoli sottoinsiemi) fornendo un metodo validato e agnostico rispetto all'applicazione per la selezione degli anni climatici.

• Quantificazione Obiettiva: Lo studio sostiene che la rappresentatività deve essere quantificata e ottimizzata oggettivamente, piuttosto che basarsi su convenzioni o estrazioni casuali non validate.
• Robustezza: Ottimizzando il dataset di input prima dell'elaborazione specifica per l'energia (un approccio bottom-up), il metodo garantisce che i dati sorgente che entrano in qualsiasi studio energetico siano validati per la variabilità climatica. Ciò impedisce che i modelli a valle siano distorti da punti di partenza non rappresentativi.
• Applicabilità Generale: La metodologia non è limitata alla modellazione dei sistemi energetici; è applicabile a qualsiasi dominio che richieda la selezione di periodi completi rappresentativi da grandi dataset, inclusi le valutazioni della produzione eolica, le simulazioni energetiche degli edifici, gli studi idrologici e la modellazione dell'impatto agricolo.
• Raccomandazioni Pratiche: Gli autori raccomandano l'uso della Ricottura Simulata con la metrica SSWD, eseguendo più iterazioni per garantire la near-ottimalità e definendo gli anni climatici come anni idrologici (1 aprile–31 marzo) per preservare gli eventi di stress relativi all'adeguatezza delle risorse invernali.

Lo studio conclude che, sebbene SA non garantisca un ottimo globale (a causa dell'impossibilità di una valutazione a forza bruta), le sue prestazioni coerenti su più esecuzioni e la sua capacità di superare significativamente le pratiche industriali attuali lo rendono uno standard superiore per la selezione di anni climatici rappresentativi.