Short-Term Hourly Hydropower Prediction: Evaluating Long Short-Term Memory (LSTM) and Mixed-Integer Linear Programming (MILP)-Based Methods

Sintesi Tecnica: Previsione Idroelettrica Oraria a Breve Termine tramite LSTM e MILP

Definizione del Problema
Il documento affronta il problema della Programmazione Idroelettrica a Breve Termine (STHS), concentrandosi specificamente sulla previsione della portata d'acqua oraria per due impianti idroelettrici interconnessi (Chute-du-Diable e Chute-à-la-Savane) sul fiume Péribonka in Quebec, Canada. La sfida principale consiste nel gestire le risorse idriche per soddisfare la domanda di energia rispettando i vincoli dei serbatoi e le realtà operative. Gli approcci tradizionali si affidano alla Programmazione Lineare Intera Mista (MILP) per ottimizzare la produzione, ma questi modelli affrontano problemi di scalabilità e complessità computazionale, in particolare quando si tratta di non convessità e sistemi su larga scala. Sebbene l'apprendimento automatico (ML) abbia mostrato potenzialità nella previsione a medio e lungo termine, la sua applicazione alla pianificazione oraria a breve termine rimane poco esplorata, specialmente per i sistemi influenzati dal regime "run-of-river", dove la portata d'acqua dipende fortemente dal flusso a monte e dalla variabilità delle afflussi naturali.

Metodologia
Lo studio propone e valuta un modello LSTM (Long Short-Term Memory) autoregressivo progettato per prevedere la portata d'acqua totale (somma della portata di scarico e dello svaso) per un orizzonte di 96 ore.

• Fonte dei Dati: Il modello utilizza 12 anni di dati storici (dicembre 2010 – dicembre 2022) forniti da Rio Tinto. Il dataset include caratteristiche orarie come il volume del serbatoio, gli stati delle unità di turbina, l'afflusso naturale e la produzione di energia.
• Pre-elaborazione: La pulizia dei dati ha comportato l'attenuazione degli outlier nei valori di afflusso naturale e di scarico. È stata applicata una media mobile (MA) alle caratteristiche di afflusso futuro per ridurre il rumore e rappresentare scenari deterministici per l'addestramento. Per l'impianto a valle (CalS), l'afflusso totale è stato calcolato sommando l'uscita prevista dell'impianto a monte (CdD) all'afflusso naturale locale, riconoscendo l'assenza di ritardi nel tempo di percorrenza tra i due impianti.
• Architettura del Modello: La soluzione proposta è un modello LSTM supervisionato e autoregressivo.
  • Input: Una finestra dei precedenti 48 ore di dati (inclusi volume del serbatoio, unità attive e previsioni di afflusso).
  • Meccanismo: Il modello opera in un ciclo di feedback in cui la previsione per un intervallo temporale viene reinserita come input per il successivo, permettendogli di generare una sequenza di 96 ore future.
  • Configurazione: Il modello utilizza 256 celle LSTM, l'ottimizzatore NADAM e una funzione di perdita dell'Errore Quadratico Medio (MSE). È stato addestrato sull'80% dei dati (84.000 istanze) ed è stato testato sul 20% (20.938 istanze).
• Benchmarking: Le prestazioni dell'LSTM sono state confrontate con:
  1. Un modello deterministico MILP (precedentemente sviluppato per questo specifico sistema) che massimizza la generazione di energia soggetta a vincoli di serbatoio e di impegno delle unità.
  2. Decisioni operative storiche (dati del mondo reale).
• Metriche di Valutazione: Le prestazioni sono state valutate utilizzando l'Errore Assoluto Medio (MAE), l'Errore Quadratico Medio (MSE) e la Radice dell'Errore Quadratico Medio (RMSE). Fondamentalmente, la fattibilità è stata valutata analizzando se i volumi previsti dei serbatoi rispettassero i limiti fisici (livelli minimi e massimi) e calcolando la conseguente produzione di energia.

Risultati Chiave

• Accuratezza della Previsione: Il modello LSTM ha catturato con successo i pattern temporali nella portata d'acqua. L'impianto CalS (a valle) ha mostrato metriche di prestazione migliori (MSE e MAE inferiori) rispetto all'impianto CdD, probabilmente a causa dell'inclusione delle caratteristiche di scarico a monte che hanno aiutato la correlazione delle operazioni.
• Confronto con MILP e Realtà:
  • Nel 2021 (anni con bassi afflussi), le previsioni dell'LSTM si sono generalmente collocate tra le decisioni ottimizzate del MILP e le decisioni reali storiche, suggerendo un comportamento di compromesso.
  • Nel 2020 (anni con alti afflussi), l'LSTM ha teso a prevedere valori di scarico inferiori rispetto sia alla realtà che all'ottimizzazione MILP.
• Fattibilità e Vincoli: Un limite significativo identificato è stata l'incapacità del modello di imporre esplicitamente i vincoli del serbatoio.
  • Mentre il modello MILP aderiva rigorosamente ai limiti di volume, il modello LSTM ha prodotto soluzioni non fattibili in diverse occasioni, in particolare durante i periodi di elevato afflusso (ad esempio, 2020), dove i volumi previsti dei serbatoi superavano la capacità massima.
  • Il modello ha faticato ad adattarsi a cambiamenti improvvisi e bruschi nella portata d'acqua, regolando spesso le previsioni gradualmente anziché istantaneamente, il che ha portato a errori di accumulo di volume nell'orizzonte di 96 ore.
• Limitazioni dell'Orizzonte Temporale: Gli autori hanno osservato un degrado nell'accuratezza della previsione dopo circa 72 ore, suggerendo che l'orizzonte di 96 ore utilizzato per la comparabilità con il MILP possa essere troppo lungo per l'attuale configurazione autoregressiva.

Significatività e Rivendicazioni
Il documento afferma di essere la prima applicazione di un modello LSTM autoregressivo supervisionato progettato specificamente per prevedere le future decisioni di flusso d'acqua per un sistema idroelettrico utilizzando gli stati precedenti dell'impianto. I suoi principali contributi sono:

1. Benchmarking: Fornisce un confronto chiaro e diretto tra un approccio basato sui dati di una Rete Neurale Ricorrente (RNN) e un metodo di ottimizzazione tradizionale MILP per il problema STHS, un vuoto evidenziato nella letteratura esistente.
2. Prova di Concetto: Dimostra che i modelli di ML possono approssimare le decisioni operative e catturare le dipendenze sequenziali intrinseche nella programmazione idroelettrica, offrendo un potenziale' alternativa ai modelli di ottimizzazione computazionalmente pesanti.
3. Limitazioni come Direzione Futura: Gli autori concludono con modestia che, sebbene l'LSTM offra un'alternativa valida e veloce per la gestione a breve termine, esso attualmente manca della gestione esplicita dei vincoli. Identificano la necessità di lavori futuri per incorporare meccanismi di vincolo (ad esempio, correzione post-previsione o modelli ibridi), ridurre l'orizzonte di previsione per migliorare l'accuratezza e modellare meglio l'incertezza dell'afflusso.

Lo studio posiziona l'LSTM non come un sostituto dell'ottimizzazione in tutti i contesti, ma come uno strumento promettente per un processo decisionale rapido e adattivo che integra i metodi tradizionali, a patto che i vincoli di fattibilità siano affrontati nelle iterazioni future.