Potenziare le previsioni della domanda di elettricità con TFT

I recenti cambiamenti nella produzione e nell'uso dell'energia creano sfide per i sistemi di distribuzione dell'energia. Previsioni accurate della domanda di elettricità stanno diventando sempre più importanti per gestire questi sistemi in modo efficace. Metodi innovativi, incluso un nuovo approccio chiamato Temporal Fusion Transformer (TFT), vengono testati per prevedere le necessità di elettricità su brevi periodi. Tuttavia, la maggior parte degli studi che usano il TFT si è concentrata su singoli set di dati, limitandone l'utilità.

#Importanza della Previsione del carico

La previsione del carico elettrico è essenziale per le società di servizi per pianificare quanto elettricità generare o acquistare. Previsioni accurate aiutano a ridurre i costi e migliorare il processo decisionale. Negli ultimi anni, fattori come la generazione di energia decentralizzata, l'aumento dei Veicoli Elettrici e i cambiamenti nel comportamento a causa di eventi come la pandemia di COVID-19 e la guerra in Ucraina hanno reso le previsioni accurate più difficili.

I ricercatori si sono tradizionalmente concentrati sulla previsione del carico a un livello più ampio, come le necessità nazionali o regionali. Tuttavia, c'è un interesse crescente per comprendere la domanda a livelli più localizzati, come famiglie o sottostazioni, man mano che diventano disponibili più dati da contatori intelligenti. Sforzi precedenti hanno dimostrato che un approccio di previsione a strati può modellare efficacemente la distribuzione dell'energia attraverso i vari livelli della rete.

#Approcci Comuni alla Previsione

Sono emersi molti metodi per la previsione a breve termine del carico. I metodi statistici convenzionali come la regressione lineare e l'ARIMA sono ancora utilizzati oggi, ma i recenti progressi nel machine learning (ML) hanno portato all'adozione di tecniche di deep learning, come le Reti Neurali Artificiali (ANN) e i modelli Long Short-Term Memory (LSTM). Gli LSTM, noti per la loro capacità di gestire dati di serie temporali, affrontano sfide quando si tratta di modelli più lunghi.

Per affrontare queste problematiche, è stata introdotta l'architettura Transformer, che ha mostrato prestazioni superiori in compiti come l'elaborazione del linguaggio e la generazione di testo. Il TFT è una variante specificamente progettata per la previsione delle serie temporali e ha iniziato ad essere applicato nella previsione del carico con risultati promettenti.

#Lacune nella Ricerca

Gli studi esistenti sul TFT spesso si concentrano in modo ridotto su algoritmi e set di dati specifici, rendendo difficile valutarne l'applicabilità più ampia. Molti studi considerano solo un numero limitato di variabili in ingresso, come i dati di carico passati, ignorando fattori potenzialmente preziosi come i dati meteorologici e quelli di calendario. Inoltre, la maggior parte della ricerca si è concentrata sulla previsione a livello di rete intera o a livello di singola abitazione, lasciando un vuoto nella comprensione della sua efficacia a livelli intermedi, come le sottostazioni.

#Focus dello Studio

Per affrontare queste lacune nella ricerca, lo studio attuale indaga l'efficacia dell'architettura TFT per prevedere i carichi elettrici orari. Analizziamo diverse fasce temporali (giorno prima e settimana prima) e livelli della rete (livello della rete e della sottostazione).

Confrontiamo anche le prestazioni del TFT con altri metodi consolidati come LSTM e ARIMA. Per fare ciò, utilizziamo due set di dati: uno da un operatore di rete locale in Germania e un altro set di dati pubblicamente disponibile che copre più zone di rete negli Stati Uniti.

#Fonti di Dati

Le due fonti di dati selezionate per questo studio differiscono significativamente. Il primo set di dati proviene da un operatore di rete di distribuzione nella Germania centrale, contenente dati di carico orario delle famiglie per un periodo di 36 mesi. Questo set di dati include dati prima e durante la pandemia di COVID-19, fornendo una visione complessiva dell'uso elettrico domestico.

Il secondo set di dati è preso dalla Global Energy Forecasting Competition, che comprende dati da 20 zone di rete negli Stati Uniti. I ricercatori hanno utilizzato questo set di dati per esaminare le esigenze di carico nel corso di diversi anni.

#Preparazione dei Dati

La preparazione dei dati prevede diversi passaggi. Ad esempio, il set di dati tedesco è stato ripulito per rimuovere i valori anomali e allineare le letture durante i cambiamenti dell'ora legale. I dati meteorologici sono stati incorporati per migliorare la precisione delle previsioni, mentre fattori aggiuntivi come le festività nazionali e i fine settimana sono stati inclusi per catturare le variazioni nei comportamenti.

#Metodi di Previsione e Valutazione

Per la nostra analisi, abbiamo impiegato vari modelli di previsione, concentrandoci sull'architettura TFT. L'abbiamo confrontata con i modelli LSTM e ARIMA in termini di accuratezza. Le metriche chiave di valutazione includevano l'Errore Quadratico Medio (RMSE) e l'Errore Percentuale Assoluto Medio (MAPE), che aiutano a quantificare l'accuratezza delle previsioni.

Abbiamo condotto esperimenti per valutare quanto bene l'architettura TFT si comporti in diverse condizioni. Ciò ha incluso test con diversi input di dati, regolando gli orizzonti temporali per le previsioni e confrontando l'efficacia a diversi livelli della rete.

#Risultati e Scoperte

I nostri risultati indicano che il TFT non supera costantemente l'LSTM per le previsioni di carico a un giorno in anticipo a livello di rete. Tuttavia, guardando a livello di sottostazione, il TFT mostra miglioramenti notevoli, in particolare nell'accuratezza delle previsioni quando più serie temporali delle sottostazioni sono aggregate.

In generale, i risultati suggeriscono che l'uso dell'architettura TFT ha potenziali benefici nella previsione della domanda di carico su orizzonti più lunghi. Quando confrontiamo diverse configurazioni e variabili in ingresso, il TFT ha raggiunto un errore medio MAPE del 2,43% a livello di sottostazione.

L'approccio LSTM, sebbene ancora efficace, ha mostrato meno miglioramenti rispetto al TFT, specialmente nelle previsioni a una settimana in anticipo. Tuttavia, per le previsioni a un giorno in anticipo, entrambi i metodi hanno fornito livelli di prestazione simili.

#Implicazioni Pratiche

L'analisi fornisce spunti utili per le società di servizi e gli operatori di rete che stanno considerando l'applicazione di tecniche di previsione avanzate. Sottolinea la necessità di bilanciare i costi computazionali con i vantaggi di una maggiore accuratezza di previsione, in particolare quando si pianificano orizzonti di previsione più lunghi.

Le società di servizi potrebbero scoprire che utilizzare il TFT per le previsioni a una settimana in anticipo offre maggiori benefici rispetto a investire nei costi di formazione, specialmente man mano che aumenta la richiesta di previsioni accurate del carico a causa dell'evoluzione del panorama energetico.

#Limitazioni e Direzioni Future

Sebbene il nostro studio faccia luce sul potenziale dell'architettura TFT, rivela anche aree che necessitano di ulteriori esplorazioni. La ricerca futura potrebbe concentrarsi sull'integrazione di previsioni meteorologiche più sofisticate piuttosto che utilizzare solo osservazioni passate. Inoltre, gli studi potrebbero approfondire l'analisi dell'impatto delle epidemie sulla domanda di energia o esplorare metodi di previsione probabilistica.

C'è anche la necessità di esaminare come dati più dettagliati provenienti da contatori intelligenti potrebbero migliorare i modelli di previsione, in particolare a livello domestico. Infine, potrebbero essere valutate tecniche di pre-elaborazione dei dati migliorate per capire meglio il loro impatto sulle prestazioni delle previsioni.

#Conclusione

Con la domanda di elettricità che diventa sempre più imprevedibile, previsioni precise del carico sono vitali per una gestione efficace della rete. L'architettura TFT mostra promesse nel migliorare l'accuratezza delle previsioni, specialmente a livello di sottostazione. I nostri risultati incoraggiano ulteriori indagini sull'applicazione del TFT per vari scenari di previsione energetica, evidenziando il valore delle tecniche di modellazione avanzate nella gestione delle crescenti complessità della domanda di elettricità.