Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

Sintesi Tecnica: Modellazione Predittiva del Consumo di Energia Residenziale Urbana nella Rete Prepagata del Kenya

Problema
La previsione accurata del carico elettrico è fondamentale per la stabilità della rete, la pianificazione delle entrate e la gestione dell'energia, in particolare nelle regioni in rapida urbanizzazione dove il sistema di fatturazione basato su contatori prepagati è diventato dominante. Tuttavia, i modelli di previsione esistenti spesso si basano su assunzioni derivate dai mercati occidentali—nello specifico, l'alta sensibilità alle fluttuazioni meteorologiche (dovuta all'uso di HVAC) e una significativa reattività ai prezzi a breve termine. Queste assunzioni potrebbero non essere valide nei contesti dell'Africa subsahariana, dove il consumo residenziale è guidato da attività basali essenziali ed è vincolato dai saldi di credito prepagati piuttosto che dal controllo climatico o dall'immediata elasticità tariffaria. Inoltre, la natura "black-box" dei modelli avanzati di machine learning (ML) spesso ne limita l'utilità per i decisori politici, che richiedono approfondimenti trasparenti sui driver della domanda. Questo studio affronta il divario nella comprensione dei veri motori della domanda residenziale all'interno del settore prepagato keniota e valuta se le complesse architetture ML offrano vantaggi significativi rispetto agli approcci statistici più semplici in questo specifico ambiente.

Metodologia
Lo studio impiega un dataset longitudinale che spazia da gennaio 2017 ad aprile 2026, integrando registri storici di consumo, variabili meteorologiche e informazioni tariffarie dell'Energy and Petroleum Regulatory Authority (EPRA).

• Ingegneria delle Caratteristiche (Feature Engineering): Il framework utilizza caratteristiche autoregressive (Lag 1, Lag 2 e Lag 12 kWh) per catturare la persistenza a breve termine e la stagionalità annuale. Le variabili esogene includono la temperatura media mensile, i Gradi di Raffreddamento (CDD) e i parametri tariffari (Lifetine Rate e Limite).
• Framework di Modellazione: Un approccio comparativo mette in competizione un modello di Extreme Gradient Boosting (XGBoost) contro un modello di regressione Minimi Quadrati Ordinari (OLS) tradizionale.
• Strategia di Validazione: Per prevenire la fuga di informazioni (information leakage), è stata utilizzata una rigorosa strategia di validazione cronologica. I dati dal 2017 al 2024 sono serviti per l'addestramento e l'ottimizzazione degli iperparametri, mentre i dati 2025–2026 sono stati riservati esclusivamente per il test out-of-sample.
• Spiegabilità (XAI): Lo studio integra le Spiegazioni SHapley Additive (SHAP) per quantificare i contributi delle caratteristiche e interpretare il modello XGBoost.
• Diagnostica: L'analisi include controlli del Fattore di Inflazione della Varianza (VIF) per la multicollinearità, analisi di autocorrelazione/autocorrelazione parziale (ACF/PACF), decomposizione stagionale e studi di ablazione per isolare il contributo di diversi gruppi di predittori.

Risultati Chiave

1. Dominanza del Comportamento Storico: L'analisi di correlazione e i valori SHAP rivelano che il comportamento di consumo storico è il principale determinante della domanda futura. Le variabili autoregressive basate sui lag (particolarmente Lag 1 e Lag 2) mostrano l'influenza predittiva più elevata, superando di gran lunga l'impatto delle variabili meteorologiche o tariffarie.
2. Parità delle Prestazioni del Modello: Nonostante la sua maggiore complessità, il modello XGBoost ha ottenuto prestazioni di previsione ampiamente comparabili al modello OLS. Il modello XGBoost ha mostrato un Errore Assoluto Medio (MAE) marginalmente inferiore, mentre l'OLS ha prodotto un Errore Quadratico Medio (RMSE) leggermente più basso. Ciò suggerisce che l'informazione predittiva nel dataset è largamente lineare e può essere catturata da semplici relazioni autoregressive.
3. Impatto Limitato delle Variabili Esogene: Il meteo (CDD) e le variabili tariffarie hanno contribuito solo con miglioramenti marginali alla precisione della previsione. Gli studi di ablazione hanno confermato che l'aggiunta di queste variabili a un modello "Solo Lag" ha portato a riduzioni trascurabili dell'RMSE.
4. Persistenza Comportamentale: Le diagnosi di autocorrelazione e la decomposizione stagionale indicano che la domanda residenziale è governata da una forte persistenza temporale e da schemi di consumo ricorrenti, piuttosto che da risposte immediate alle variazioni di prezzo o alla variabilità meteorologica.

Significato e Rivendicazioni
Il documento sostiene che la domanda di elettricità residenziale all'interno del settore prepagato keniota è governata principalmente dalla persistenza comportamentale e da schemi di consumo ricorrenti, piuttosto che dalla sensibilità meteorologica o dall'elasticità del prezzo spesso assunte nella letteratura occidentale.

• Contributo Metodologico: Lo studio dimosta che modelli statistici computazionalmente efficienti e trasparenti (come l'OLS) possono fornire stime della domanda affidabili per la pianificazione delle utility in ambienti prepagati, sfidando l'assunzione che architetture di ML sempre più complesse siano sempre necessarie per prestazioni superiori.
• Implicazioni Politiche: I risultati suggeriscono che la domanda residenziale a breve termine è relativamente anelastica rispetto a moderati aggiustamenti tariffari. I decisori politici non dovrebbero aspettarsi riduzioni immediate della domanda a seguito di revisioni tariffarie, poiché le famiglie danno priorità ai servizi essenziali e mantengono abitudini di consumo stabili basate sul credito disponibile.
• Valore Operativo: La ricerca evidenzia il valore di framework di previsione interpretabili. Identificando che il consumo storico è il driver dominante, le utility possono dare priorità a una tenuta accurata delle registrazioni del consumo passato rispetto allo sviluppo di modelli complessi e opachi, migliorando così il processo decisionale operativo e la fiducia degli stakeholder.

In conclusione, lo studio postula che per la rete prepagata keniota, la "scatola nera" dell'IA avanzata offre una capacità predittiva aggiuntiva limitata rispetto ai semplici modelli autoregressivi, e che comprendere l'inerzia comportamentale dei consumatori prepagati è più critico che modellare variabili economiche o climatiche esterne per la previsione del carico a breve termine.