Applicazioni del machine learning per ottimizzare il bilanciamento del carico e migliorare la distribuzione energetica.
Il bilanciamento del carico distribuisce la richiesta di potenza fra fasi, alimentatori o risorse in modo che nessuna sia sovraccarica mentre altre sono sottoutilizzate. Il machine learning (apprendimento automatico) aiuta prevedendo i consumi e suggerendo come ripartirli [1][2].
Nelle reti intelligenti (*smart grid*) sensori e contatori forniscono dati misurati a intervalli brevi [1]. Un modello di apprendimento automatico impara da dati storici la relazione fra variabili esplicative (ora, giorno, temperatura, calendario) e il consumo: è un problema di previsione del carico (*load forecasting*), di breve, medio o lungo termine [2][3]. La previsione, confrontata con la capacità disponibile, permette di spostare carichi controllabili, di ripartire gli utenti fra fasi e di gestire gli accumuli. Il bilanciamento in senso stretto riguarda le tre fasi di un sistema trifase: se i carichi monofase sono distribuiti in modo diseguale, le correnti di fase differiscono e compare una corrente nel neutro [4].
Per valutare un modello si confronta la previsione $\hat{y}_t$ con il valore reale $y_t$ su $n$ istanti:
$$\mathrm{MAPE} = \frac{100}{n}\sum_t\left|\frac{y_t - \hat{y}_t}{y_t}\right|,\qquad \mathrm{RMSE} = \sqrt{\frac{1}{n}\sum_t(y_t - \hat{y}_t)^2}$$
Il MAPE (errore percentuale assoluto medio) è relativo, l'RMSE (radice dell'errore quadratico medio) è nell'unità della grandezza e penalizza gli errori grandi. Le valutazioni vanno fatte su dati non usati nell'addestramento, altrimenti il modello sembra migliore di quanto sia.
Un indicatore semplice è lo scostamento massimo dalla media delle correnti (o delle potenze) di fase:
$$\delta = \frac{\max_k|P_k - \bar{P}|}{\bar{P}}\cdot100\%$$
dove $P_k$ è la potenza della fase $k$ e $\bar{P}$ la media.
Quattro ore consecutive hanno carico reale $[80,\,120,\,150,\,100]\ \mathrm{kW}$ e previsione $[85,\,114,\,141,\,104]\ \mathrm{kW}$. Gli errori sono $-5,\,+6,\,+9,\,-4\ \mathrm{kW}$. Il MAPE è
$$\frac{100}{4}\left(\frac{5}{80} + \frac{6}{120} + \frac{9}{150} + \frac{4}{100}\right) = 25\cdot(0{,}0625 + 0{,}05 + 0{,}06 + 0{,}04) = 5{,}31\%$$
e l'RMSE è $\sqrt{(25 + 36 + 81 + 16)/4} = \sqrt{39{,}5} = 6{,}28\ \mathrm{kW}$.
Per lo squilibrio, un quadro ha sulle tre fasi $40$, $25$ e $31\ \mathrm{kW}$: la media è $32\ \mathrm{kW}$ e lo scostamento massimo è $|25 - 32| = 8\ \mathrm{kW}$ ovvero $\delta = 25\%$. Spostando $8\ \mathrm{kW}$ di carico dalla fase 1 alla fase 2 si ottiene $32$, $33$, $31\ \mathrm{kW}$ e $\delta = 3{,}1\%$. Verifica: la somma resta $96\ \mathrm{kW}$.
- Regressione lineare e modelli autoregressivi: semplici, utili come riferimento.
- Alberi e foreste di decisione, boosting: gestiscono variabili miste e non linearità.
- Reti neurali, anche ricorrenti: seguono la sequenza temporale.
Un modello più complesso non è sempre migliore: con pochi dati rischia il sovradattamento (*overfitting*), cioè di imparare il rumore.
I dati vanno puliti da valori mancanti e anomalie, e devono includere variabili che spiegano il carico: calendario, festività, meteo. I carichi cambiano nel tempo, per nuovi impianti o abitudini, quindi il modello si riaddestra periodicamente. La riservatezza dei dati di consumo dei singoli utenti richiede attenzione.
La previsione diventa utile quando esistono carichi che si possono spostare nel tempo, come la ricarica di veicoli elettrici, le pompe di calore e gli accumuli. Un programma di ottimizzazione sceglie gli orari in cui spostarli per ridurre il picco, rispettando i vincoli dell'utente. L'effetto si misura con il fattore di carico, rapporto fra potenza media e potenza massima: appiattire il profilo lo aumenta e riduce le dimensioni necessarie di cavi e trasformatori.
- Una buona previsione non garantisce un buon bilanciamento: servono anche carichi controllabili e un sistema di attuazione.
- Il modello non conosce eventi mai visti nei dati storici.
- Il bilanciamento di fase richiede spesso interventi fisici o automatismi di commutazione.
- I valori dell'esempio sono illustrativi.
- Previsione dei consumi per l'acquisto e la gestione dell'energia.
- Ripartizione degli utenti fra le fasi di una rete di bassa tensione.
- Gestione di accumuli e ricariche di veicoli elettrici.
[1] [Wikipedia (en): Smart grid](https://en.wikipedia.org/wiki/Smart_grid)
[2] [Wikipedia (en): Load forecasting](https://en.wikipedia.org/wiki/Load_forecasting)
[3] [Wikipedia (fr): Apprentissage automatique](https://fr.wikipedia.org/wiki/Apprentissage_automatique)
[4] [Wikipedia (en): Network load balancing](https://en.wikipedia.org/wiki/Network_load_balancing)
Sto generando il riassunto…