Affrontare i fulmini e le incertezze di mercato nell’autoprogrammazione: un approccio fuzzy-Markov per le reti intelligenti

Perché mantenere le luci accese sta diventando più difficile

L’elettricità non scorre più in una sola direzione dalle grandi centrali alle abitazioni. Le moderne “smart grid” gestiscono pannelli solari sui tetti, parchi eolici, batterie e bisogni dei consumatori che cambiano, il tutto mentre i mercati e il meteo variano di ora in ora. Questo articolo esplora un modo nuovo per aiutare gli operatori di rete a pianificare quando sia i prezzi dell’energia sia le tempeste violente — in particolare i fulmini — rendono il futuro incerto, usando una visione combinata fuzzy e probabilistica di ciò che potrebbe accadere.

Reti elettriche in un mondo di tempeste e prezzi impazziti

Le smart grid promettono energia più pulita e maggiore efficienza, ma devono prendere decisioni continue su quando comprare, vendere o generare elettricità. Le condizioni di mercato — come prezzi, domanda e ricavi — possono oscillare rapidamente con notizie economiche, regolamentazioni o comportamenti dei consumatori. Allo stesso tempo, i fulmini e il maltempo possono danneggiare linee, innescare interruzioni o costringere i clienti a ridurre i consumi. Gli strumenti di pianificazione tradizionali tendono a gestire o il lato numerico (come i prezzi) o il lato vago e legato agli eventi (come il rischio dei fulmini), ma raramente entrambi insieme. Gli autori sostengono che questa visione divisa lascia gli operatori esposti quando shock fisici e oscillazioni finanziarie si combinano.

Combinare il giudizio umano con la matematica

Per colmare questa lacuna, lo studio introduce un quadro ibrido che combina la logica fuzzy con le catene di Markov. La logica fuzzy imita il modo in cui le persone parlano di grandezze incerte — usando termini come “prezzo basso”, “vendite medie” o “ricavi elevati” invece di soglie nette. Il metodo prende tre misure finanziarie chiave — prezzo, ricavo e vendite — e converte ciascun valore orario in categorie qualitative di questo tipo. Un istante temporale è quindi descritto da una tripla semplice come (prezzo alto, ricavo basso, vendite basse), catturando l’umore complessivo del mercato con etichette in linguaggio semplice che i computer possono comunque elaborare.

Seguire le oscillazioni d’umore della rete nel tempo

Una volta che ogni ora è etichettata in questo modo, l’approccio tratta la smart grid come se si muovesse attraverso un insieme finito di “stati” fuzzy. Qui intervengono le catene di Markov: stimano quanto è probabile che il sistema salti da uno stato all’altro nell’ora successiva. Contando quanto spesso, per esempio, uno stato calmo passa a uno stressato con prezzo alto e vendite basse — specialmente nei giorni con fulmini simulati — il modello costruisce una matrice di transizione, una sorta di mappa dei percorsi di mercato tipici. I ricercatori calcolano anche statistiche mobili, come medie scorrevoli e volatilità di prezzo e ricavo, per evidenziare i periodi in cui le condizioni sono insolitamente calme o turbolente.

Testare l’idea in un ambiente protetto

Poiché i dati reali dettagliati che combinano registri di mercato e fulmini sono difficili da ottenere, gli autori creano un dataset sintetico lungo un anno. Simulano prezzi, ricavi e vendite orarie con trend realistici e rumore, quindi inseriscono eventi di fulmini artificiali che provocano picchi dei prezzi e cali delle vendite per imitare danni da tempesta e interruzioni precauzionali. I primi nove mesi di dati addestrano le categorie fuzzy e le probabilità di transizione; gli ultimi tre mesi testano quanto bene il modello riesce a indovinare il prossimo stato fuzzy a partire da quello corrente. Il framework predice correttamente lo stato successivo in circa il 56% dei casi — ben oltre il caso fortuito per sei stati possibili — rivelando anche quali schemi tendono a persistere e quali cambiano rapidamente.

Dalle previsioni alle azioni pratiche

Gli autori mostrano come questo strumento di previsione possa guidare decisioni concrete per un ipotetico microgrid urbano da 100 MW. Se il modello suggerisce che uno stato normale è destinato a spostarsi verso una situazione di prezzo alto e vendite basse durante un pomeriggio tempestoso, gli operatori possono acquistare potenza di riserva in anticipo, spostare preventivamente carichi sensibili su alimentazioni di backup o adattare le strategie di offerta nel mercato elettrico. Indicatori di rischio mobili li aiutano a valutare quanto fidarsi di una previsione e quanto aggressivamente rispondere, trasformando probabilità astratte in azioni finanziarie e tecniche mirate.

Cosa significa per i sistemi elettrici futuri

In termini semplici, il messaggio dell’articolo è che trattare il futuro della rete come in parte sfocato e in parte guidato da regole produce indicazioni più utili che fare affidamento su un solo approccio. Combinando categorie di tipo umano con la matematica che traccia l’evoluzione degli stati, il framework Fuzzy-Markov fornisce agli operatori di rete un quadro più chiaro, seppure non perfetto, di come potrebbe apparire il mix futuro di prezzi, domanda e impatti delle tempeste. Anche con precisione moderata, questa visione li aiuta a prepararsi per combinazioni avverse — come prezzi elevati e vendite basse — prima che si verifichino. Con l’aumento della complessità delle smart grid e l’intensificarsi degli estremi meteorologici, strumenti ibridi di questo tipo potrebbero diventare essenziali per mantenere l’elettricità affidabile, conveniente e resiliente.

Citazione: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Parole chiave: reti intelligenti, mercati dell’energia, gestione del rischio, energie rinnovabili, affidabilità del sistema elettrico