Reti residuali profonde con estrazione di caratteristiche convoluzionali per la previsione a breve termine del carico

Perché il consumo di energia di domani conta già oggi

Ogni volta che accendiamo un interruttore, le aziende elettriche devono avere pronta la quantità giusta di elettricità. Se ne producono troppo poca, le luci tremano e le fabbriche si fermano; se ne producono troppa, si sprecano combustibile e denaro. Questo articolo esplora un nuovo metodo di intelligenza artificiale che aiuta gli operatori di rete a prevedere, ora per ora, quanta elettricità verrà consumata il giorno successivo, in climi molto diversi, dal freddo del New England innevato al clima tropicale della Malesia.

La sfida di indovinare il nostro fabbisogno energetico quotidiano

La previsione del carico a breve termine è il compito di stimare quanta elettricità richiederà una regione dall’ora successiva fino alla settimana seguente. Queste previsioni guidano decisioni cruciali, come quali centrali avviare, come programmare la manutenzione e come pianificare il trading energetico. Anche un piccolo miglioramento può far risparmiare grandi somme; per una grande utility, ridurre l’errore di previsione di appena un punto percentuale può significare milioni di dollari risparmiati nei costi del combustibile ogni anno. Ma la domanda di elettricità è modellata da molti fattori intrecciati: ora del giorno, giorno della settimana, stagione, meteo, festività e abitudini in evoluzione. Catturare tutti questi schemi in modo affidabile è difficile, soprattutto mentre i sistemi energetici diventano più complessi e le condizioni climatiche più variabili.

Limiti degli strumenti di previsione intelligenti precedenti

I ricercatori hanno a lungo cercato di migliorare queste previsioni con modelli matematici e, più recentemente, con l’apprendimento profondo. Gli approcci tradizionali come la regressione e le reti neurali semplici faticano quando il numero di ingressi cresce, spesso perdendo schemi sottili o overfittando sui dati passati. Le reti più avanzate hanno ciascuna punti di forza e debolezze: le reti convoluzionali sono efficaci a individuare oscillazioni a breve termine nei dati ma non le tendenze di lungo periodo; le reti ricorrenti come LSTM e GRU possono seguire sequenze più lunghe ma sono lente e più difficili da addestrare; i modelli Transformer catturano relazioni complesse ma richiedono grande potenza computazionale e possono diventare instabili man mano che si approfondiscono. Un compromesso popolare, noto come rete residuale profonda, aggiunge connessioni “di scorciatoia” che aiutano i modelli molto profondi a imparare senza che l’addestramento collassi. Tuttavia la maggior parte dei progetti precedenti usava questi trucchi residuali solo nei livelli finali di previsione, non nelle fasi iniziali cruciali in cui si estraggono le caratteristiche grezze.

Un modello in due fasi che guarda vicino e lontano

Gli autori propongono un sistema di previsione ridisegnato chiamato Rete Residuale Profonda con CNN Integrata. Nella prima fase il modello si concentra sui dettagli locali. Alimenta storici recenti di carico e temperatura — che vanno dalle ultime 24 ore fino ai mesi precedenti — attraverso blocchi convoluzionali unidimensionali. Questi blocchi funzionano come finestre scorrevoli, scandagliando le serie temporali per rilevare forme ricorrenti: picchi mattutini, impennate serali, cali del fine settimana o improvvisi picchi guidati dal meteo. Un passaggio di pooling comprime ogni schema rilevato in un sommario compatto, riducendo il rumore pur preservando ciò che conta di più. In parallelo vengono elaborate e fuse informazioni di calendario come stagione, giorno della settimana e flag di festività. Ventiquattro piccole sottoreti, una per ogni ora del giorno prossimo, trasformano quindi queste caratteristiche arricchite in una previsione iniziale di 24 ore.

Raffinamento profondo e test su due reti molto diverse

Nella seconda fase, una rete residuale potenziata prende questa prima previsione e la affina. Blocchi impilati con connessioni di scorciatoia aggiustano i valori orari mantenendo la forma giornaliera complessiva realistica e prevenendo il blocco del processo di addestramento. Il team ha addestrato e tarato questa architettura su due set di dati reali: ISO New England, che copre sei stati degli USA con forti variazioni stagionali, e la Malesia, dove l’uso di elettricità è più stabile in un clima tropicale. Hanno confrontato il loro modello con una vasta gamma di alternative, incluse reti puramente convoluzionali, diverse reti ricorrenti, un Transformer, il design residuale originale e varianti che aggiungevano solo componenti convoluzionali o residuali in isolamento. Le prestazioni sono state giudicate con misure d’errore comuni, in particolare l’errore percentuale assoluto medio, e testate per significatività statistica usando intensi campionamenti bootstrap.

Cosa dicono i risultati sulle reti più intelligenti

La Rete Residuale Profonda con CNN Integrata ha fornito costantemente le previsioni più accurate. Nei dati del New England ha ridotto l’errore percentuale medio a circa l’1,53 percento, migliorando rispetto a forti concorrenti basati su residual fino a circa l’11 percento. In Malesia, dove gli schemi sono più regolari e i miglioramenti più difficili da ottenere, ha comunque ridotto l’errore a circa il 5,06 percento e ha superato tutti gli altri modelli. I test stagionali hanno mostrato che il metodo gestisce i picchi primaverili ed estivi, i carichi di riscaldamento invernali e le stagioni piovose e secche tropicali senza perdere accuratezza. Le verifiche statistiche hanno confermato che questi miglioramenti non sono dovuti al caso. Per i non specialisti, la conclusione è semplice: combinando un “microscopio” per i pattern a breve termine con una “struttura portante” che stabilizza l’apprendimento profondo, questo approccio offre agli operatori di rete un modo più affidabile per anticipare il fabbisogno elettrico di domani, risparmiando denaro, riducendo gli sprechi e sostenendo la transizione verso sistemi energetici più intelligenti e puliti.

Citazione: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Parole chiave: previsione del carico a breve termine, apprendimento profondo, rete elettrica, reti neurali convoluzionali, reti residuali