Migliorare le previsioni della domanda di elettricità a Delhi

L'iniziativa PM-Gati Shakti è un piano del governo indiano che cerca di migliorare i trasporti e la logistica del paese. Collega diversi ministeri come ferrovie, porti, trasporti di massa e strade per creare un flusso più fluido di beni e persone. L'obiettivo è rendere le aziende indiane più competitive migliorando la connettività.

Tra i sei aspetti principali, chiamati “Connettività per la Produttività,” l'iniziativa si concentra su completezza, priorità, ottimizzazione, sincronizzazione, metodi analitici e dinamismo. Questo studio esamina come questi aspetti possano aiutare a prevedere la domanda di elettricità a Delhi, che è un compito chiave nella gestione dell'energia.

#L'importanza della previsione elettrica

Prevedere l'elettricità è fondamentale per gestire una rete elettrica di successo. Mantiene un equilibrio tra l'offerta di elettricità e la domanda degli utenti. Previsioni accurate sono necessarie per garantire un buon approvvigionamento, pianificare le finanze e mantenere riserve di generazione. È particolarmente cruciale per aree come le zone rurali e il Nord Est dell'India, dove l'elettricità è spesso importata.

La previsione aiuta nella pianificazione della produzione e nella programmazione della distribuzione dell'elettricità. Tuttavia, molti fattori influenzano la domanda elettrica e i modelli attuali potrebbero non catturare tutte queste variabili. Quindi, questa ricerca utilizza tecniche di previsione classiche per identificare tendenze stagionali dai dati sulla domanda massima giornaliera a Delhi.

Prevedere l'elettricità può aiutare a ridurre blackout, carenze energetiche e aumenti delle tariffe imposti dalle agenzie regolatorie. Lavora anche per ridurre la sovra domanda (OD) e la sotto domanda (UD) in diverse regioni.

#Panoramica della rete elettrica a Delhi

La rete elettrica in India è gestita da un ente chiamato POWERGRID, che garantisce che l'elettricità venga trasmessa in modo efficace. Un'altra organizzazione chiave è il National Load Dispatch Center (NLDC), che monitora il flusso elettrico tra le regioni e garantisce l'aderenza agli standard della rete.

Al 21 giugno 2023, la capacità totale di energia a Delhi ha raggiunto un picco di 8.346,72 megawatt (MW) nel 2016. La città ora ha più centrali termiche e sottostazioni che distribuiscono elettricità a case, industrie e aziende.

#Analisi delle statistiche energetiche a Delhi

Questo studio utilizza dati della Banca Centrale Indiana per confrontare il consumo di energia a Delhi con quello dell'intera India. Nel 2018-2019, il consumo di elettricità pro capite a Delhi era di 1.974,4 kilowattora, rispetto a una media indiana di 1.115,3 kilowattora nel 2021-2022.

La disponibilità complessiva di energia a Delhi è aumentata da 33,08 miliardi di unità nel 2019-2020 a oltre 137,4 miliardi di unità per l'intera India nel 2021-2022. La domanda massima di energia a Delhi ha anche raggiunto oltre 33 miliardi di unità durante lo stesso periodo.

#Previsione della domanda e la sua importanza

Il consumo di elettricità a Delhi è determinato dalla domanda massima registrata quotidianamente dal NLDC. Molti studi hanno dimostrato che vari fattori economici sono critici per prevedere la domanda massima. Questa ricerca cerca di creare un modello di base focalizzandosi su una variabile per scoprire autocorrelazioni nel tempo.

Utilizzando un approccio di analisi univariata, lo studio si concentra principalmente sui dati della domanda massima dei residenti di Delhi. I metodi di raccolta e analisi dei dati includeranno tendenze stagionali e vari modelli di previsione.

#L'iniziativa PM-Gati Shakti spiegata

L'iniziativa Gati Shakti combina sette driver dei trasporti, tra cui ferrovie, porti e strade, per migliorare la connettività delle aziende indiane. Un esempio potrebbe essere un programma avviato dal Ministero dell'Acciaio per aumentare la produzione domestica di acciaio, riducendo così la dipendenza dalle importazioni e risparmiando valuta estera.

Tuttavia, questa produzione aumentata potrebbe portare a un maggior consumo di energia. I dati di vari ministeri, come il Ministero del Carbone e il Ministero dell'Energia, aiutano ad affrontare la crescita prevista nella domanda di elettricità.

L'iniziativa fornisce trasparenza tra i ministeri che collaborano per gestire efficacemente questa domanda crescente. Ad esempio, il Ministero delle Ferrovie può ottimizzare i percorsi di trasporto per gestire meglio i picchi di utilizzo elettrico.

#Ricerche precedenti sulle tecniche di previsione della domanda

Molti studi hanno esaminato i metodi utilizzati per prevedere la domanda di elettricità. Vari metodi di machine learning e deep learning sono stati applicati per analizzare il consumo di energia.

Utilizzando dati storici, alcuni studi si sono concentrati sulla previsione del carico a breve termine in varie regioni, con diversi modelli di reti neurali che mostrano risultati promettenti. Altri studi hanno utilizzato architetture di deep learning per migliorare l'accuratezza e catturare interazioni complesse nei dati.

#Panoramica dei dati e metodologia

I dati di questo studio includono la domanda massima giornaliera soddisfatta, la carenza energetica e altre caratteristiche rilevanti. Lo studio si concentra sull'analisi univariata, considerando in modo importante la domanda massima registrata ogni giorno.

I dati dal 1 aprile 2013 al 31 maggio 2023 comprendono oltre 3.700 giorni, ma solo 3.640 giorni sono completi, mentre gli altri mancano di dati. Lo studio utilizza varie tecniche per colmare queste lacune prima di procedere con la previsione.

#Modelli di previsione utilizzati

La ricerca impiega diversi modelli di previsione delle serie temporali, principalmente il modello ARIMA, che analizza i dati storici per prevedere valori futuri. Il modello ARIMA richiede che la serie temporale sia stazionaria, il che significa che le sue proprietà statistiche come media e varianza dovrebbero rimanere costanti nel tempo.

Per verificare se i dati sono stazionari, lo studio utilizza il test di Augmented Dickey-Fuller. Se i dati non sono stazionari, vengono utilizzati aggiustamenti come la differenziazione per stabilizzarli per l'analisi.

#Risultati e conclusioni

I risultati dei vari modelli di previsione hanno dimostrato che il modello SARIMA ha fornito la migliore accuratezza per i dati previsti. L'integrazione di più dati nello schema PM-Gati Shakti è fondamentale per convalidare i risultati e migliorare l'accuratezza delle previsioni.

Il lavoro futuro includerà l'uso di tecniche avanzate come l'apprendimento rinforzato per analizzare dataset più ampi che considerino le interazioni tra vari ministeri a Delhi. Utilizzando moderne analisi dei dati, si possono ottenere decisioni migliori per una maggiore efficienza all'interno del piano PM-Gati Shakti.

In conclusione, questo studio sottolinea il ruolo cruciale dell'integrazione dei dati e delle analisi predittive nella gestione della domanda di elettricità a Delhi. Un continuo miglioramento di questi metodi aumenterà la nostra comprensione del panorama energetico dell'India, portando infine a una migliore gestione delle risorse e crescita socio-economica.