Fare Previsioni in Tempi di COVID-19

·

INTRODUZIONE

La previsione della domanda di energia e dei prezzi è parte integrante dei processi decisionali dei fornitori di energia. I costi associati alla contrattazione insufficiente o eccessiva e al successivo commercio di energia sul mercato sono generalmente molto elevati.

Per rimanere competitivi sul mercato, i fornitori di energia si sono affidati a modelli di Machine Learning per fare previsioni più accurate e per evitare costi di sbilanciamento. Durante i periodi di crisi questi nuovi modelli, che sono costruiti utilizzando dati storici, sono messi in discussione dai cambiamenti strutturali. Come può il settore energetico utilizzare il Machine Learning per rimanere competitivo in tempi di cambiamenti strutturali causati da COVID-19?

Uno dei nostri partner per le soluzioni di previsione, Tangent Works, ci offre la loro opinione su come TIM (Tangent Information Modeler) affronta queste sfide.

PREVISIONI NEL SETTORE DELL’ENERGIA

Ci sono diversi tipi di previsioni su cui i fornitori di energia si basano per gestire il loro business e migliorare i risultati. Dal punto di vista di un fornitore, il mercato dell’energia è molto competitivo. Per rimanere in avanguardia, hanno bisogno di prevedere con precisione i prezzi dell’energia e di stimare i consumi futuri del loro portafoglio clienti.

La prima previsione principale, o previsione dei prezzi, è necessaria per ottimizzare il trading sui diversi mercati energetici. Questi mercati sono caratterizzati da notevoli oscillazioni dei prezzi. Anticipando correttamente queste fluttuazioni, un fornitore di energia può migliorare direttamente i propri margini sui contratti dei clienti.

In secondo luogo, un fornitore di energia è tenuto a mantenere un equilibrio sulla rete per il suo portafoglio clienti. Una sopravvalutazione o sottovalutazione della domanda comporterà per il fornitore l’addebito di costi di sbilanciamento da parte del gestore della rete. Per acquistare la giusta quantità di energia e ridurre al minimo questi costi di sbilanciamento, si basano su modelli di Load Forecasting che prendono i dati storici di consumo energetico dei clienti e stimano la loro domanda futura.

MACHINE-LEARNING E CAMBIAMENTI STRUTTURALI

I dati sul consumo di energia e i dati sui prezzi sono esempi di serie temporali con periodicità stagionale e tendenze visibili. I tipici modelli di Machine Learning sono eccellenti nel riconoscere queste tendenze e nel generare previsioni accurate. I fornitori di energia si affidano sempre più a questi modelli per migliorare le loro capacità di previsione, ma essi presentano anche alcuni inconvenienti.

Nel settore dell’energia, non è raro che si verifichino cambiamenti strutturali. Nuove capacità di produzione di energia, nuovi utenti della rete di grandi volumi o cambiamenti inaspettati della domanda creano spesso tendenze diverse dei dati. In queste situazioni le prestazioni dei modelli di Machine Learning sono messe in gioco poiché sono costruiti utilizzando valori storici.

Per continuare a fare previsioni accurate e ridurre i rischi legati ai cambiamenti strutturali, i fornitori di energia dovranno continuamente adattare i loro modelli. Tuttavia, in pratica, un’alta frequenza di costruzione di modelli non è praticabile e può perturbare il business. Un’altra soluzione è necessaria per garantire previsioni accurate.

Le aziende che si affidano a previsioni “fatte a mano” in Excel o ad altre soluzioni sono messi addirittura peggio di coloro che si affidano a modelli di Machine Learning. Le differenze tra i diversi approcci di modellazione sono illustrate in dettaglio nel nostro precedente blog:

PREVISIONE ADATTIVA PER RISPONDERE A COVID-19

Il motore di costruzione del modello di Tangent Works, TIM (Tangent Information Modeller), sostiene di generare e applicare modelli di previsione adattiva di alta qualità per i dati delle serie temporali in pochi secondi, il che significa che TIM supera le sfide poste dai cambiamenti strutturali (Tangent Works, 2018). Come fa TIM a raggiungere questo obiettivo?

Diversi aspetti innovativi si uniscono per raggiungere la soluzione. In primo luogo, a differenza delle tecniche di modellazione manuali e dell’AutoML, TIM automatizza l’ingegneria delle funzionalità. TIM va ancora oltre, unificando questa ingegneria automatizzata delle funzionalità, la costruzione del modello e l’implementazione del modello (cioè l’applicazione del modello in produzione) in un unico passaggio.

La tecnologia che realizza ciò è chiamata RTInstantML (real-time instant Machine Learning). Questa ampia automazione consente agli utenti di addestrare un nuovo modello per ogni previsione desiderata, eliminando la necessità di progettare e costruire modelli in anticipo, garantendo al tempo stesso l’utilizzo di modelli ottimali durante i periodi di disponibilità di feature variabili. RTInstantML aiuta quindi a superare le sfide dei cambiamenti strutturali nelle previsioni sia attraverso l’ingegneria delle feature ad hoc sia attraverso la costruzione di modelli on-demand.

Un esempio recente: Nella figura 1 vediamo l’impatto delle misure COVID-19 (come i lockdown estesi) sul carico della rete. Con l’uso di modelli di previsione adattabili come la soluzione RTInstantML di TIM, i fornitori di energia possono evitare la sovrastima della domanda di energia del loro portafoglio clienti e ridurre i costi di sbilanciamento.

Figura 1.  Dati di carico della rete Elia (gennaio – aprile) L’impatto del cambiamento strutturale della domanda 
Linea blu = media di 5 anni
Linea verde = valori 2020 prima delle misure COVID-19
Linea rossa = valori 2020 dopo le misure COVID-19

Nella figura 2 possiamo vedere i prezzi spot Belpex e la distinzione prima (nero) e dopo (rosso) l’attuazione delle misure COVID-19 in Belgio. Vediamo chiaramente emergere un modello diverso, dove è più probabile che si verifichi un forte calo dei prezzi. Questa volatilità aumenta la pressione sui fornitori di energia che cercano di mantenere i loro margini. Con le previsioni adattive, i nuovi dati aggiungeranno rapidamente informazioni al modello che potranno essere utilizzate per anticipare queste oscillazioni di prezzo.

Figura 2. L’evoluzione dei prezzi spot dell’energia sul mercato Belpex.  (Gennaio 2020-Apr.2020)

In situazioni in cui c’è una differenza significativa tra i valori nuovi e quelli storici, i tipici modelli di machine learning sono spesso resi inutili. RTInstantML consente ai fornitori di energia di tenere immediatamente conto delle nuove condizioni di mercato ed evitare elevati costi di sbilanciamento e oscillazioni di prezzo inaspettate. Le comprovate capacità di previsione adattiva di TIM possono aiutare i fornitori di energia a rimanere competitivi durante i periodi di crisi.

Come menzionato nel nostro precedente blog di previsione, abbiamo integrato in maniera ordinata questa soluzione nella nostra piattaforma SaaS per le operazioni di gas & power. Siamo lieti di discuterne i vantaggi, se siete interessati!