Semantic-Aware Cross-Domain Multi-Horizon Energy Forecasting for Renewable-Aware Manufacturing: The NEO-FORECAST Framework

Nel mondo moderno, le fabbriche stanno iniziando a funzionare con un tipo di orologio diverso. Per decenni, l'energia industriale è stata un fiume costante e prevedibile, che fluiva dalla rete alle macchine con scarse variazioni. Oggi, quel fiume sta diventando un mix di flusso costante e improvvisi picchi dipendenti dal meteo provenienti da pannelli solari e turbine eoliche. Questo cambiamento crea un puzzle complesso per i responsabili di fabbrica. Essi devono decidere quando far funzionare i macchinari pesanti, quando immagazzinare energia nelle batterie e quando acquistare energia dalla rete, il tutto cercando di mantenere bassi i costi e una produzione costante. Per prendere queste decisioni, hanno bisogno di previsioni che non siano solo accurate, ma anche consapevoli della specifica realtà fisica della loro situazione. Una previsione per la produzione solare di una giornata soleggiata è fondamentalmente diversa da una previsione per l'uso dei macchinari di una fabbrica, anche se entrambe sono misurate in kilowatt. Trattare questi diversi tipi di dati energetici come se fossero lo stesso genere di cosa può portare a confusione e decisioni errate.

Questo è il problema che Adnan Haider Zaidi affronta in un nuovo studio chiamato NEO-FORECAST. La ricerca si concentra su un problema specifico nella previsione energetica: come usare ciò che sappiamo di un tipo di sistema energetico per aiutare a prevedere un altro, senza commettere errori. Immaginate di cercare di imparare a guidare un camion partendo dall'imparare ad andare in bicicletta. Le abilità di equilibrio e sterzata sono correlate, ma i veicoli sono così diversi che applicare ciecamente le regole della bicicletta a un camion potrebbe essere pericoloso. Nella previsione energetica, questo è noto come "trasferimento negativo", dove mescolare dati provenienti da fonti diverse rende in realtà le previsioni peggiori invece di migliorarle. Lo studio pone una domanda precisa: in quali condizioni la condivisione della conoscenza tra diversi compiti energetici aiuta, e quando invece danneggia? I ricercatori hanno sviluppato un framework per testarlo, assicurandosi di non assumere semplicemente che più dati siano sempre migliori, ma controllando attentamente se i dati siano compatibili prima di utilizzarli.

Il cuore del framework NEO-FORECAST è un metodo che rispetta l'identità unica di ogni fonte di energia. Invece di gettare tutti i dati disponibili — domanda elettrica, generazione solare, utilizzo degli edifici e carichi industriali — in un unico frullatore, il sistema li mantiene distinti. Esso riconosce che, sebbene questi sistemi possano condividere alcuni schemi, come i cicli giornalieri o le reazioni al meteo, i loro obiettivi sottostanti e i loro comportamenti fisici sono diversi. I ricercatori hanno costruito un sistema che separa questi schemi in tre livelli: i ritmi generali basati sul tempo che potrebbero essere condivisi, i tratti specifici della località o del dominio, e i dettagli unici della singola entità. Mantenendo separati questi livelli, il sistema può decidere quando prendere in prestito la conoscenza da un'altra fonte e quando affidarsi esclusivamente alla propria cronologia. Questo approccio include un "controllo di compatibilità", un meccanismo che agisce come un guardiano. Prima che il sistema permetta alla conoscenza di fluire da un compito all'altro, calcola se i due compiti sono abbastanza simili da beneficiare dello scambio. Se sono troppo diversi, il cancello si chiude per evitare la confusione che porta al trasferimento negativo.

Lo studio è stato progettato con un rigoroso focus sull'evitare le trappole comuni nei test scientifici. Una preoccupazione maggiore in questo campo è la "perdita di dati" (data leakage), in cui un modello vede accidentalmente informazioni future durante il suo addestramento, facendolo apparire più intelligente di quanto sia realmente. I ricercatori hanno implementato controlli rigorosi per garantire che i dati utilizzati per l'addestramento non tocchino mai i dati utilizzati per il test, e che il test sia stato eseguito in modo da rispettare il flusso del tempo. Hanno testato il loro metodo contro diversi modelli consolidati, inclusi strumenti statistici di lunga data e moderni sistemi di intelligenza artificiale come le reti neurali. I risultati hanno mostrato che l'approccio NEO-FORECAST ha prodotto previsioni più accurate rispetto a questi metodi standard. Osservando i tassi di errore medi, il nuovo framework ha ridotto significativamente la differenza tra i valori previsti e quelli reali. Nello specifico, l'errore medio è stato di 5,9 rispetto a 8,2 di un modello ricorrente standard, e la varianza, ovvero la dispersione degli errori, è stata di 2,6 rispetto a 3,7. In un test separato utilizzando numeri normalizzati per confrontare diverse scale, il nuovo metodo ha ottenuto 0,089, battendo un modello transformer a 0,112 e un modello basato su alberi a 0,145.

Tuttavia, i ricercatori sono cauti nel non rivendicare che questa sia una soluzione universale che funzioni perfettamente in ogni situazione. Lo studio sostiene esplicitamente contro l'idea che semplicemente raggruppare tutti i dati insieme sia la strategia migliore. Propongono che il beneficio della condivisione della conoscenza dipenda fortemente dall'orizzonte temporale che si sta prevedendo, e il framework è progettato per valutare questa relazione attraverso esperimenti specifici piuttosto che assumerla come una capacità attuale. Una previsione per la prossima ora potrebbe beneficiare di un set di regole condivise diverso rispetto a una previsione per la prossima settimana, ma lo studio definisce questo come un'ipotesi da testare contro l'addestramento solo sul target e altri controlli. Inoltre, la ricerca sottolinea che una buona previsione non riguarda solo l'essere vicini al numero reale; riguarda come quel numero aiuti a prendere una decisione. Lo studio introduce un "interfaccia decisionale" che collega la previsione alle azioni nel mondo reale, come accendere o spegnere le macchine. Ciò consente ai ricercatori di misurare non solo l'accuratezza della previsione, ma il valore della decisione che essa abilita. Propongono un test per vedere se una previsione leggermente meno accurata possa portare a una migliore decisione operativa, a seconda dei vincoli della fabbrica, ma notano che ciò richiede prove riproducibili per confermare quando tale divergenza avviene.

L'obiettivo ultimo di questo lavoro è creare un percorso riproducibile dai dati grezzi alle decisioni ingegneristiche. L'autore riconosce che, sebbene i numeri aggregati sembrino promettenti, la vera prova risiede nei dettagli di dataset specifici e scenari manifatturieri specifici. Hanno delineato un piano chiaro per la verifica futura, richiedendo che qualsiasi affermazione di superiorità sia supportata da prove provenienti da esperimenti specifici, non solo da medie generali. Lo studio non pretende di aver risolto il problema della previsione energetica per tutta la manifattura. Invece, fornisce un metodo disciplinato e controllato dalle evidenze per capire quando e come condividere la conoscenza tra diversi compiti energetici. Separando il generale dallo specifico e controllando la compatibilità prima di condividere, il framework NEO-FORECAST offre un modo per costruire sistemi energetici più intelligenti e affidabili per le fabbriche consapevoli delle energie rinnovabili del futuro. I risultati suggeriscono che il futuro della gestione energetica non risiede in modelli più grandi e complessi che cercano di imparare tutto in una volta, ma in sistemi più intelligenti che sanno esattamente cosa possono imparare gli uni dagli altri e cosa devono imparare da soli.