Un modello ibrido di selezione ottimale delle caratteristiche e Conv-LSTM (OFSCL) per la previsione a breve termine della domanda di energia nelle sottostazioni di distribuzione di Ahvaz, Iran

Mantenere le luci accese in una città calda

Quando arriva un’ondata di calore, i condizionatori si accendono in tutta la città e la tensione sulla rete elettrica può salire nel giro di pochi minuti. Se gli operatori della rete sbagliano la stima della quantità di elettricità necessaria, i quartieri rischiano blackout o sprechi dovuti a sovracompensazione. Questo articolo si concentra su una sottostazione reale nella calda e umida città di Ahvaz, nel sud-ovest dell’Iran, e pone una domanda semplice ma di grande importanza: possiamo prevedere, ora per ora, quanta potenza quella sottostazione dovrà erogare usando in modo più intelligente che mai i dati storici di domanda e le condizioni meteo?

Perché le previsioni a breve termine sono importanti

L’elettricità non è facilmente immagazzinabile su larga scala, quindi l’offerta deve seguire da vicino la domanda. Nelle sottostazioni di distribuzione, che trasformano l’alta tensione per case e imprese, questo equilibrio è particolarmente delicato. La domanda varia con l’ora del giorno, il giorno della settimana, la stagione e il meteo, in particolare temperatura e umidità. Gli strumenti di previsione tradizionali—come le formule statistiche di base—spesso assumono trend regolari e schemi semplici. In realtà, il consumo elettrico in una città calda come Ahvaz è rumoroso, non lineare e influenzato da salti improvvisi nell’uso dei condizionatori. Previsioni inaccurate possono sovraccaricare trasformatori, ridurre la vita utile delle apparecchiature e costringere gli operatori a gestire la rete in modo conservativo e meno efficiente.

Da formule semplici a macchine che imparano

Nell’ultimo decennio i ricercatori hanno provato metodi più sofisticati, dai modelli classici di machine learning come alberi decisionali e reti neurali ai sistemi di deep learning che eccellono con le serie temporali, come le reti Long Short-Term Memory (LSTM) e le Convolutional Neural Networks (CNN). Questi modelli più recenti possono cogliere ritmi a lungo termine e pattern sottili che le tecniche più vecchie non rilevano. Tuttavia affrontano ancora due grandi sfide. Primo, possono essere alimentati con decine di variabili in ingresso—ore, giorni, festività, velocità del vento, punto di rugiada, pressione e altro—molte delle quali introducono rumore più che informazione utile. Secondo, possono avere difficoltà a usare contemporaneamente le fluttuazioni momentanee e gli spostamenti stagionali più lenti. Il risultato è che l’accuratezza su dati reali e disordinati spesso non raggiunge il livello richiesto dagli operatori di rete.

Un modello ibrido che impara cosa conta davvero

Gli autori propongono una nuova architettura di deep learning ibrida chiamata Optimal Feature Selection Conv-LSTM (OFSCL). Combina due punti di forza: strati convoluzionali che setacciano molte variabili in ingresso e si concentrano automaticamente sui pattern più informativi, e strati LSTM che tracciano come quei pattern evolvono nel tempo. Nell’OFSCL, la parte convoluzionale riduce gradualmente la quantità di informazione che passa avanti, filtrando la ridondanza pur preservando i segnali chiave. La parte LSTM impara quindi come questi segnali raffinati cambiano di ora in ora e di giorno in giorno. Infine, strati densi convertono questa rappresentazione compatta in una singola previsione: quanta energia la sottostazione avrà bisogno al passo temporale successivo.

Testare il modello su una sottostazione reale

Per verificare se l’OFSCL funziona nella pratica, il team ha raccolto un anno di dati orari da una sottostazione di distribuzione ad Ahvaz, insieme a registrazioni meteorologiche locali dettagliate che coprono il calore estremo estivo così come stagioni più fresche. Hanno confrontato l’OFSCL con un insieme di alternative, inclusi alberi decisionali, k-nearest neighbors, perceptron multistrato, modelli puri LSTM e CNN, e diversi ibridi avanzati come CNN-LSTM e LSTM con attenzione. Tutti i modelli hanno utilizzato gli stessi set di addestramento e test, e la loro prestazione è stata valutata confrontando quanto le previsioni corrispondessero al consumo reale di energia. Il modello OFSCL ha raggiunto un R² di circa il 90% e i punteggi di errore più bassi, addestrandosi in meno tempo rispetto a molti altri approcci di deep learning. Test ripetuti su diverse partizioni dei dati hanno confermato che questi miglioramenti erano costanti e non frutto del caso.

Cosa impara il modello sul meteo e sulla domanda

Oltre all’accuratezza, gli autori hanno voluto capire su quali input il modello si basasse maggiormente. Usando un’analisi di sensibilità basata sul gradiente, hanno misurato quanto piccoli cambiamenti in ciascuna caratteristica influenzassero la previsione. La temperatura dell’aria è risultata il fattore dominante, seguita dal mese dell’anno e dall’umidità relativa, riflettendo come la domanda di raffrescamento aumenti con il calore e le condizioni stagionali. Al contrario, il fatto che un giorno fosse feriale o festivo ha avuto un ruolo molto più marginale per questa specifica sottostazione. L’analisi ha inoltre mostrato che il modello diventa meno sensibile a fluttuazioni minute man mano che vede più dati, ancorandosi a pattern stabili invece di reagire eccessivamente al rumore.

Portare previsioni più intelligenti sulla rete

In termini pratici, lo studio mostra che un sistema di apprendimento progettato con cura può non solo prevedere quanto elettricità una sottostazione trafficata avrà bisogno nelle prossime ore, ma anche spiegare quali aspetti del clima locale contano di più. Filtrando automaticamente i suoi input e catturando sia le oscillazioni rapide che le tendenze più lunghe, il modello OFSCL supera una gamma di metodi esistenti restando abbastanza veloce per l’uso in tempo reale. Se esteso e testato in più regioni e sottostazioni, tali modelli potrebbero aiutare le utility a operare più vicino ai limiti—mantenendo il flusso di energia in modo affidabile, riducendo gli sprechi e preparando meglio le città a futuri più caldi e più esigenti dal punto di vista energetico.

Citazione: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Parole chiave: previsione della domanda di energia, deep learning, reti elettriche, meteo e consumo di elettricità, predizione di serie temporali