Sintesi Tecnica: Previsione del Consumo Elettrico Tramite Apprendimento di Ensemble Cooperativo con SHAP

Enunciato del Problema

La gestione del consumo elettrico nelle istituzioni educative presenta sfide significative a causa della suscettibilità della risorsa a diversi fattori influenti, tra cui l'espansione istituzionale, le fluttuazioni del numero di studenti e le condizioni climatiche. Nelle università, la domanda è in rapida crescita, rendendo necessaria una gestione efficiente dell'energia per la sostenibilità e la competitività operativa. Tuttavia, una previsione accurata è complicata dalla vulnerabilità dei modelli di consumo a malfunzionamenti delle apparecchiature, instabilità della rete e comportamenti istituzionali unici, come periodi di vacanza fissi, calendari alternati ed eventi sporadici come conferenze.

La letteratura esistente spesso manca di studi che affrontino la previsione dell'elettricità nelle istituzioni educative utilizzando modelli di apprendimento di ensemble cooperativo. Inoltre, i modelli tradizionali di serie temporali e gli approcci standard di machine learning spesso faticano a gestire i modelli di consumo non stazionari, irregolari e altamente variabili osservati in questi contesti, in particolare quando si effettuano previsioni su orizzonti estesi (ad esempio, 12 mesi).

Metodologia

Lo studio propone un nuovo framework per la previsione del consumo elettrico 12 mesi avanti, utilizzando dati provenienti da due campus dell'Istituto Federale del Paraná (IFPR): Palmas (Dataset 1) e Coronel Vivida (Dataset 2). La metodologia consta di tre fasi principali:

1. Preparazione dei Dati e Selezione delle Caratteristiche

• Dataset: Sono stati analizzati dati storici di consumo (kWh) da settembre 2017 a marzo 2024 (79 mesi).
• Variabili Esogene: Il dataset è stato integrato con variabili climatiche (temperatura, pioggia, umidità, vento, radiazione solare), un identificatore del periodo pandemico (COVID-19) e variabili dummy temporali (Mese, Anno).
• Selezione delle Caratteristiche: Per ridurre la complessità e migliorare l'efficienza, sono state impiegate le Spiegazioni Additive di Shapley (SHAP). Sulla base dei valori di importanza derivati dai modelli XGBoost e Random Forest (RF), è stato condotto un processo di eliminazione sequenziale delle caratteristiche. Ciò ha ridotto l'insieme iniziale di 47 predittori a 11, mantenendo le caratteristiche più significative come i lag del consumo, metriche specifiche della temperatura e identificatori temporali.

2. Addestramento del Modello e Ottimizzazione degli Ipereparametri

Sono stati selezionati quattro modelli di machine learning per la loro efficacia dimostrata: Long Short-Term Memory (LSTM), Random Forest (RF), Support Vector Regression (SVR) e Extreme Gradient Boosting (XGBoost).

• Ottimizzazione: Gli ipereparametri per ciascun modello sono stati ottimizzati utilizzando due algoritmi metaeuristici: Algoritmo Genetico (GA) e Ottimizzazione Sciame di Particelle (PSO). L'obiettivo era minimizzare l'Errore Assoluto Medio (MAE).
• Selezione: Il GA ha costantemente superato il PSO nel trovare configurazioni ottimali, in particolare per RF e XGBoost, dove il PSO faticava con la convergenza. I modelli ottimizzati sono stati denominati GA-LSTM, GA-RF, GA-SVR e GA-XGBoost.
• Validazione: È stato utilizzato un approccio ibrido di divisione dei dati, riservando gli ultimi 12 mesi per il test e impiegando la validazione incrociata a 5 fold per l'addestramento.

3. L'Ensemble Weaker Separator Booster (WSB)

È stato proposto un nuovo approccio di apprendimento di ensemble cooperativo, denominato Weaker Separator Booster (WSB), per migliorare le prestazioni del miglior predittore individuale (GA-LSTM).

• Concetto: Il WSB sfrutta il teorema "no-free-lunch" mediando le previsioni dei modelli "più deboli" (GA-RF, GA-SVR, GA-XGBoost), che tendevano a produrre previsioni lineari e stabili più vicine a una linea orizzontale.
• Meccanismo: Questa media funge da punto di riferimento stabile che rappresenta l'"incapacità di apprendere" modelli complessi. Un meccanismo di boosting adattivo aggiusta la previsione del GA-LSTM (il learner più forte) incorporando questo riferimento. L'aggiustamento è governato da un parametro di peso che aumenta e diminuisce dinamicamente lungo l'orizzonte di previsione per mitigare l'accumulo di errori nella previsione ricorsiva.

Risultati Chiave

L'approccio proposto è stato valutato utilizzando l'Errore Assoluto Medio (MAE) e l'Errore Percentuale Assoluto Medio Simmetrico (sSMAPE).

• Dataset 1 (Campus di Palmas):

  • Il modello WSB ha ottenuto le migliori prestazioni con un sSMAPE del 13,90% e un MAE di 1990,87 kWh.
  • Il modello GA-LSTM autonomo ha seguito con un sSMAPE del 15,35% e un MAE di 2264,50 kWh.
  • Entrambi hanno superato significativamente i modelli di serie temporali tradizionali (ad esempio, ARIMA, Holt-Winters) e altre reti neurali (CNN, ESN).

• Dataset 2 (Campus di Coronel Vivida):

  • Il modello WSB ha nuovamente dimostrato prestazioni superiori con un sSMAPE del 18,72% e un MAE di 464,93 kWh.
  • Il modello GA-LSTM ha ottenuto un sSMAPE del 18,80% e un MAE di 466,92 kWh.
  • I modelli tradizionali e altre reti neurali hanno mostrato tassi di errore più elevati, con valori di sSMAPE che arrivavano fino al 41,59%.

• Analisi SHAP:

  • L'analisi dell'importanza delle caratteristiche ha rivelato che i valori delle serie temporali in ritardo (consumo storico) sono stati i predittori dominanti per entrambi i campus.
  • Le variabili climatiche hanno avuto un'influenza minima rispetto ai fattori temporali e storici.
  • Sono emersi modelli distinti: a Palmas, i valori in ritardo hanno influenzato positivamente le previsioni, mentre a Coronel Vivida hanno mostrato una correlazione negativa, suggerendo relazioni inverse tra consumo passato e presente in quella specifica località.

Significato e Affermazioni

Il documento afferma che l'approccio proposto Weaker Separator Booster (WSB) affronta efficacemente la complessità della previsione del consumo elettrico nelle istituzioni educative. Il suo significato risiede in tre contributi principali:

1. Integrazione di Variabili Esterne: Lo studio incorpora sistematicamente variabili esterne (pandemia, clima, eventi del calendario) e utilizza SHAP per una rigorosa selezione delle caratteristiche, assicurando che i modelli siano addestrati sugli input più rilevanti.
2. Ottimizzazione Comparativa: Fornisce un confronto completo di diversi modelli di IA (reti neurali, metodi di ensemble, SVM) ottimizzati tramite GA e PSO, offrendo approfondimenti sulle architetture più adatte per questo specifico dominio.
3. Strategia di Ensemble Innovativa: Il metodo WSB introduce una strategia unica per colmare il divario tra il miglior predittore e i modelli più deboli. Utilizzando la media di predittori più deboli e stabili per aggiustare il predittore più forte, l'approccio riduce il bias e migliora la generalizzazione, raggiungendo tassi di errore inferiori rispetto ai modelli individuali o ai metodi statistici tradizionali.

Gli autori riconoscono che, sebbene l'approccio WSB abbia migliorato le prestazioni, la previsione a 12 mesi rimane una sfida a causa dell'accumulo di errori nelle strategie ricorsive e di eventi imprevisti (ad esempio, il picco di consumo del 2023). Lo studio conclude che, sebbene il metodo proposto sia promettente, il lavoro futuro dovrebbe esplorare orizzonti di previsione più brevi ed espandere la metodologia a istituzioni geograficamente diverse per validare ulteriormente la sua applicabilità.