Come prevedere il carico elettrico con la magia delle reti neurali?

Il mondo delle reti elettriche sta cambiando. Con le nuove centrali e i sistemi di aria condizionata controllati da termostati, la rete si riempie di centinaia di nodi. Ogni nodo è come un piccolo elettrodomestico che consuma energia in momenti diversi, a seconda della temperatura e delle abitudini delle persone. Questo rende i dati di consumo molto variabili e difficili da prevedere.

Per risolvere il problema, gli scienziati hanno creato un modello che divide la rete in zone più piccole, chiamate sottoregioni. Usano un algoritmo chiamato ShapeDTW per trovare nodi simili in base al loro consumo e alla distanza geografica. Poi, con un metodo di clustering, decidono quante zone creare in modo automatico.

Ogni zona ha il suo “cervello” chiamato STGCN, un tipo di rete neurale che combina la memoria temporale con la capacità di capire le relazioni spaziali tra i nodi. Ma non si fermano qui: aggiungono un meccanismo di attenzione che permette alle zone di parlare tra loro, scambiando informazioni utili per migliorare la previsione complessiva.

I risultati sono sorprendenti. Il modello è più preciso e veloce rispetto ai metodi tradizionali, soprattutto quando si tratta di prevedere il carico nei prossimi minuti o ore. Questo approccio permette ai gestori della rete di pianificare meglio la produzione, riducendo sprechi e costi. Inoltre, la tecnica è scalabile, quindi può essere usata in città di qualsiasi dimensione.

Il modello proposto si basa su una pipeline articolata in tre fasi principali. In primo luogo, la costruzione di una matrice di similarità spaziotemporale sfrutta Shape Dynamic Time Warping (ShapeDTW), un algoritmo che allinea sequenze temporali con distorsioni non lineari. ShapeDTW è combinato con un kernel gaussiano adattivo che utilizza la distanza di Haversine, garantendo che la similarità tenga conto sia della forma del carico sia della vicinanza geografica. Successivamente, la matrice viene passata a un clustering spettrale, il cui numero di cluster è determinato dal Gap Statistic, un metodo che confronta la varianza intra-cluster con quella di un modello di riferimento casuale. Questo approccio consente di suddividere la rete in sottoregioni con caratteristiche spaziotemporali omogenee.

Per ogni sottoregione viene addestrato un Spatiotemporal Graph Convolutional Network (STGCN). La rete integra convoluzioni temporali con meccanismi di gating (simili a quelli delle LSTM) per catturare dinamiche di lungo termine, e convoluzioni grafiche per estrarre relazioni spaziali tra nodi vicini. L'architettura è progettata per essere leggera, riducendo il rischio di overfitting rispetto ai modelli tradizionali.

L'innovazione chiave è l'attenzione cross-regional. Un modulo di attenzione calcola pesi dinamici che indicano l'importanza relativa di ogni sottoregione rispetto alle altre. Questi pesi vengono poi usati per fondere le feature globali, permettendo al modello di apprendere dipendenze inter-regionali senza dover esporre l'intera rete a un unico modello complesso. L'efficacia di questo meccanismo è stata dimostrata tramite studi di ablation, in cui la rimozione dell'attenzione cross-regional ha comportato una diminuzione del 12% nella precisione di previsione. I risultati sono stati valutati usando metriche standard come MAE, RMSE e MAPE, con il modello finale che ha superato di 15% i baselini basati su ARIMA e LSTM.