SMART GRID: Predictive analytics per i consumi energetici Ing. Luca Ghelardoni DITEN – Department of Information Technology Electrical and Naval engineering University of Genova (Italy) Via Opera Pia 11A, Genova (Italy)

Introduzione Liberalizzazione del mercato dell’energia e crescente aumento della domanda di energia: Forte richiesta di nuove tecnologie per generazione, trasmissione, distribuzione ed utilizzo dell’energia Necessità di ottimizzazione delle risorse ed energy saving 13/03/20162 Smart Grid: Sfruttano metodi avanzati di data analysis per il supporto alle decisioni riguardo la generazione, trasmissione, distribuzione di energia La manutenzione delle infrastrutture allo scopo di minimizzare i costi mantenendo un’alta qualità del servizio

Il problema della previsione a lungo termine Prevedere i consumi a lungo termine è di fondamentale importanza per ottimizzare le risorse La previsione dei consumi energetici è però influenzata da diversi fattori: Stagionalità Condizioni climatiche Dati di consumo passati Giorno della settimana (feriale o festivo) Non è possibile conoscere esplicitamente il modello che ha generato i dati 13/03/20163

Soluzione Predictive analytics Il modello viene indotto a partire dai dati stessi: Trend della serie, caratterizzato da componenti a bassa frequenza Previsione effettuata mediante metodi autoregressivi Componente ‘comportamentale’, caratterizzato da alte frequenze Previsione effettuata mediante metodi di approssimazione diretta 13/03/20164

Risultati (1/2) 13/03/20165 Dataset EUNITE Dataset EUNITE : Domanda di energia elettrica della Slovacchia dell’est relativa agli anni 1997 e 1998 La serie è composta da un totale di 8760 valori, 12 per ogni giorno dell’anno. I primi 4380 valori sono stati utilizzati per creare il modello (dati relativi all’anno 1997) I restanti 4380 valori sono stati utilizzati per valutare la qualità della previsione (dati relativi all’anno 1998)

Risultati (2/2) 13/03/ Scomposizione della serie e previsione del trend 2.Previsione totale della serie Particolare della previsione di una settimana (6 mesi nel futuro)

Conclusioni Obiettivo Obiettivo : Ideazione di un metodo innovativo per la previsione a lungo termine di serie temporali di dati basato su: Decomposizione non lineare della serie Support Vector Machine e tecniche di predictive analytics per la previsione delle serie risultanti 13/03/20167 Risultato: Previsioni dei valori della serie per un intero anno: 4380 passi nel futuro