Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

La moderna rete elettrica non è più una strada a senso unico dove l'energia fluisce da una grande centrale verso una casa passiva. È diventata un sistema dinamico a due vie, dove i pannelli solari sui tetti, i veicoli elettrici e gli elettrodomestici intelligenti interagiscono costantemente con il mercato. In questo ambiente complesso, due numeri contano più di quasi ogni altro: quanta elettricità avranno bisogno le persone domani e quanto costerà quell'elettricità. Queste due cifre sono profondamente collegate; quando la domanda aumenta o il vento smette di soffiare, i prezzi possono schizzare in alto, e quando i prezzi salgono, le persone spesso cambiano il modo in cui utilizzano l'energia. Indovinare queste previsioni è vitale. Se una società di servizi pubblici sbaglia il calcolo, potrebbe sprecare denaro acquistando energia costosa o lasciare le luci tremolanti. Se una centrale elettrica sbaglia il calcolo, potrebbe perdere l'opportunità di vendere energia o trovarsi con una bolletta che non può pagare. Per decenni, gli esperti hanno cercato di prevedere questi numeri utilizzando strumenti statistici, ma l'estrema imprevedibilità del meteo e del comportamento umano ha reso il compito incredibilmente difficile.

Un team di ricercatori ha proposto un nuovo modo per affrontare questo problema, concentrandosi su un tipo specifico di programma informatico progettato per imparare dai modelli passati. Invece di cercare di prevedere il carico e il prezzo separatamente, hanno costruito un unico sistema che indovina entrambi contemporaneamente. Pensate a questo sistema come a uno studente che studia un libro di storia per capire come due eventi correlati, come il meteo e la dimensione della folla in un parco, si influenzino a vicenda, piuttosto che cercare di imparare sul meteo e sulla folla in due classi diverse. I ricercatori hanno utilizzato un metodo chiamato algoritmo di Levenberg-Marqupert per addestrare questo sistema. In termini semplici, si tratta di una tecnica matematica sofisticata che aiuta il computer a imparare molto più velocemente e in modo più affidabile rispetto ai metodi più vecchi, regolando le sue impostazioni interne per trovare la migliore corrispondenza possibile con i dati senza incagliarsi in vicoli ciechi.

Il team ha testato il proprio approccio utilizzando dati reali provenienti dalla PJM Interconnection, un enorme mercato elettrico che copre parti dell'est degli Stati Uniti. Hanno fornito al computer ore di informazioni storiche, tra cui l'uso passato dell'elettricità, i prezzi passati, le previsioni della temperatura e persino le previsioni di quanta energia rinnovabile sarebbe stata disponibile. Il computer gli è stato chiesto di analizzare tutte queste informazioni e prevedere le successive ventiquattro ore sia del carico che del prezzo simultaneamente. I risultati sono stati impressionanti. Rispetto ad altri popolari strumenti di previsione, inclusi i classici neuroni artificiali e i modelli statistici tradizionali, questo nuovo sistema ha commesso costantemente meno errori sia per il carico elettrico che per i prezzi di mercato. Ha ottenuto le metriche di errore più basse in tutti i campi, superando i metodi di base come la persistenza e l'ARIMA, dimostrando che l'approccio di modellazione congiunta è riuscito a catturare le complesse dinamiche del mercato.

Ciò che rende questa scoperta particolarmente utile non è solo l'accuratezza, ma anche la velocità e la semplicità della soluzione per la previsione del carico. Molti modelli moderni di intelligenza artificiale richiedono enormi quantità di potenza di calcolo e richiedono molto tempo per l'addestramento, rendendoli difficili da usare in situazioni in tempo reale in cui le decisioni devono essere prese rapidamente. Questo nuovo modello, tuttavia, è relativamente compatto e si addestra molto velocemente. Riesce a catturare le relazioni complesse e nascoste tra quanto la gente usa l'energia e quanto costa quell'energia, senza necessitare della pesante strumentazione di sistemi di deep learning più complicati. I ricercatori hanno scoperto che, condividendo la parte di "pensiero" della rete tra le due previsioni, il sistema ha appreso che l'alta domanda porta spesso ad alti prezzi, e che questi modelli si ripetono in modi prevedibili in base all'ora del giorno e al giorno della settimana.

Lo studio ha anche esaminato da vicino come il modello si è comportato nel tempo, controllando se potesse gestire diverse stagioni e condizioni di mercato insolite. L'analisi ha mostrato che gli errori per il carico erano distribuiti uniformemente, il che significa che il sistema non sovrastimava o sottostimava costantemente i numeri. Ha gestito bene i cicli giornalieri, prevedendo con alta fedeltà i picchi di utilizzo mattutini e serali. Sebbene i ricercatori abbiano notato che l'accuratezza della previsione del prezzo dipenda ancora pesantemente dalla qualità delle previsioni meteorologiche e delle energie rinnovabili fornite al sistema, il metodo centrale si è dimostrato robusto per entrambe le variabili. Hanno anche sottolineato che questo approccio si concentra sul fornire una singola migliore ipotesi per il futuro, piuttosto che un intervallo di possibilità, il che è un limite per alcuni compiti di gestione del rischio ma ideale per la pianificazione operativa immediata.

In definitiva, questo lavoro dimostra che a volte la soluzione più efficace non è quella più complessa. Perfezionando un tipo di programma informatico più vecchio e ben compreso con un potente metodo di addestramento, il team ha creato uno strumento che è allo stesso tempo veloce e accurato per aiutare a gestire l'equilibrio delicato di una moderna smart grid riguardante la domanda di elettricità e i prezzi di mercato. La capacità di prevedere sia la domanda di elettricità che il suo costo in un unico calcolo rapido offre un vantaggio pratico per le persone che mantengono accese le luci e fanno funzionare i mercati. Mentre la rete continua a evolversi con più energia rinnovabile e veicoli elettrici, avere un modo affidabile ed efficiente per anticipare queste doppie sfide diventa sempre più essenziale. Questo studio suggerisce che, con gli strumenti matematici giusti, possiamo navigare l'incertezza della futura rete elettrica con una visione più chiara che mai.