Previsione del carico elettrico usando modelli ad intervalli basati su granularità e principi giustificabili

Perché questo è importante per l’uso quotidiano dell’elettricità

Mantenere le luci accese è un delicato atto di equilibrio. Le compagnie elettriche devono avere sempre a disposizione abbastanza energia per soddisfare la domanda, ma non così tanta da sprecare carburante e denaro. Questo studio esplora un nuovo modo di prevedere quanta elettricità una regione richiederà in futuro, in particolare su periodi mensili e annuali, mostrando allo stesso tempo in modo onesto quanto siano incerte queste previsioni. Ciò è rilevante per chiunque dipenda da un sistema elettrico affidabile, accessibile e sempre più a basse emissioni.

Da singole stime a intervalli sicuri

La maggior parte degli strumenti di previsione tradizionali fornisce un singolo valore per la domanda futura di elettricità, per esempio “la rete avrà bisogno di 5.000 megawatt domani alle 18:00”. Queste previsioni puntuali possono essere molto accurate nel breve termine, ma diventano inaffidabili guardando più avanti, perché la domanda è influenzata da variazioni meteorologiche, crescita economica e cambiamenti di abitudini come la ricarica dei veicoli elettrici. Metodi più recenti basati su machine learning e deep learning hanno migliorato la precisione, ma spesso forniscono ancora una sola “migliore stima” e tendono a nascondere l’incertezza dietro complesse assunzioni probabilistiche difficili da interpretare per operatori e regolatori.

Pensare per blocchi invece che per punti

Gli autori propongono un atteggiamento diverso: invece di puntare su un numero singolo, prevedono intervalli — fasce sicure entro le quali la domanda reale è probabile cada. Per costruire queste fasce usano un’idea nota come “calcolo granulare”, che tratta i dati in blocchi significativi, o granuli, invece che come punti isolati. Per la domanda elettrica, ogni granulo è un intervallo intorno a un valore centrale (ad esempio la mediana giornaliera o settimanale del carico) che cattura quanto il carico possa variare. Lavorare con tali granuli aiuta a smussare il rumore casuale, rende i modelli più chiari su giorni, settimane e mesi e offre una rappresentazione più realistica di quanto il futuro sia effettivamente incerto.

Bilanciare ampiezza e precisione

Una sfida chiave è decidere quanto debba essere largo ciascun intervallo. Se è troppo ampio, conterrà quasi sempre la domanda reale ma diventerà inutile per la pianificazione perché troppo vago. Se è troppo stretto, può escludere valori reali e dare una falsa sensazione di certezza. I ricercatori affrontano questo problema definendo due misure semplici: “coverage” (copertura), la quota di valori reali che ricadono dentro un dato intervallo, e “specificity” (specificità), una misura di quanto quell’intervallo sia stretto e informativo. Le combinano in un unico punteggio chiamato indice di giustificazione. Il metodo cerca quindi gli intervalli che massimizzano questo punteggio, scartando automaticamente gli estremi — intervalli così ampi da spiegare tutto e nulla, o così stretti da perdere troppi punti reali.

Testare l’idea su una rete reale

Per verificare l’efficacia dell’approccio, il team ha usato quattro anni di dati della principale rete elettrica dell’Oman, misurati ogni 30 minuti dal 2020 al 2023. Hanno costruito e tarato gli intervalli usando i dati 2020–2022, poi hanno verificato quanto bene quegli intervalli catturassero i carichi non visti del 2023. Hanno costruito intervalli giornalieri, settimanali e mensili e li hanno confrontati con strumenti di previsione più familiari come modelli di regressione, alberi decisionali, reti di deep learning e metodi probabilistici come la regressione quantile e la predizione conforme. Usando una misura di “sovrapposizione”, hanno valutato quanto gli intervalli previsti coincidessero con gli intervalli costruiti direttamente dai dati del 2023. I risultati hanno mostrato che, passando da granuli giornalieri a settimanali e mensili, gli intervalli diventavano più stabili, più allineati alla realtà e più facili da interpretare.

Cosa rivelano i nuovi intervalli sulla rete

L’analisi ha messo in luce diversi spunti pratici. Primo, aggregare i dati su periodi più lunghi, come settimane e mesi, migliora sostanzialmente l’affidabilità delle previsioni, perché le fluttuazioni giorno per giorno si annullano. Secondo, gli intervalli ottimizzati hanno mostrato una corrispondenza chiara e coerente con la domanda reale su più anni, suggerendo che il metodo generalizza bene invece di adattarsi eccessivamente a un singolo anno. Terzo, la domanda nei giorni feriali e nei fine settimana nel sistema studiato è risultata sorprendentemente simile, implicando che non fosse necessario costruire modelli separati per ciascuno. Rispetto ad altri metodi di previsione basati su intervalli, l’approccio a granuli giustificabili ha fornito una copertura competitiva mantenendo gli intervalli ragionevolmente stretti, il tutto senza assumere una specifica distribuzione statistica dei dati.

Come questo aiuta a mantenere la rete affidabile

Per i non specialisti, il risultato principale è semplice: invece di nascondere l’incertezza, questo metodo la rende visibile e utilizzabile. Gli operatori di rete possono pianificare produzione, riserve e manutenzione attorno a una fascia realistica di domanda futura probabile, invece che a un singolo numero fragile. Il limite inferiore indica quanta capacità possono ridurre in sicurezza, mentre il limite superiore mostra quanta riserva dovrebbero tenere pronta per giorni caldi, picchi economici o altre sorprese. Esprimendo l’incertezza in modo trasparente e guidato dai dati, queste previsioni ad intervalli supportano sistemi energetici più resilienti, più economici e, in ultima analisi, più sostenibili.

Citazione: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Parole chiave: previsione del carico elettrico, intervalli di incertezza, calcolo granulare, pianificazione della rete elettrica, serie temporali energetiche