ottieni una consulenza
approccio

Technology

What we do

Orchestra: un modello innovativo

Nel piano di sviluppo del progetto Omnienergy, il primo step è stato esaminare e analizzare i dati del mercato energetico di riferimento e dei relativi competitor. Dopo un’approfondita analisi della letteratura nel campo delle previsioni delle energie rinnovabili, si è scelto di implementare un modello innovativo che permette di differenziare il progetto Omnienergy dagli altri competitor sul mercato. Tale obiettivo è stato raggiunto tramite la creazione di un modello ad apprendimento automatico caratterizzato dalla presenza di un meta-modello con il ruolo di “Direttore d’Orchestra” che utilizza diversi modelli sottostanti, determinando in tempo reale e in modo dinamico il peso dei loro contributi.
What we do

Un modello che effettua correzioni automatiche

Ad ogni orizzonte di previsione (12 orizzonti per il Mercato Infragiornaliero, 24 per il Mercato del Giorno Prima), il Direttore d’Orchestra valuta la qualità delle previsioni dei modelli sottostanti e assegna, in maniera dinamica, il peso dei loro contributi. In questo modo, i modelli sottostanti vengono orchestrati dal meta-modello che corregge gli errori derivanti da previsioni distanti dai valori reali per ciascun sotto-modello, distinguendo così Omnienergy dai suoi concorrenti sul mercato. I sotto-modelli del progetto sono principalmente di due tipologie: modelli classici, largamente diffusi tra i competitor, che utilizzano il dato meteorologico previsionale; e modelli autoregressivi, capaci di creare un modello interno del vento per sviluppare il proprio sistema di previsione per il vento e l'energia.

L'andamento delle previsioni

Di seguito un esempio di andamento della previsione della produzione a breve e medio termine (t+1 e t+12). Dall’andamento delle previsioni nel breve e medio termine è possibile osservare che il meta-modello Orchestra predilige modelli autoregressivi (che non fanno uso di previsioni meteorologiche) nel caso di orizzonti brevi, mentre nel medio termine premia maggiormente i modelli di tipo classico (che usano come dato di input il dato meteo previsionale all’orizzonte considerato).
What we do
Esempio di andamento della previsione del modello Orchestra ad orizzonte di previsione di 1 ora con relativo andamento dei pesi attribuiti ai sotto-modelli.
Esempio di andamento della previsione del modello Orchestra ad orizzonte di previsione di 12 ore e relativo andamento dei pesi attribuiti ai sotto-modelli.

Gli indicatori di valutazione del modello

Per valutare le migliori performance del modello Orchestra rispetto ai competitor di mercato, sono stati individuati dei KPI, ovvero degli indicatori, utili a definire il successo del progetto. Tra i diversi indicatori di performance esaminati e analizzati, sono state selezionate due metriche di tipo quantitativo che possono essere misurate in maniera oggettiva e descrivono l’andamento del progetto in modo ottimale garantendo anche un monitoraggio continuo del raggiungimento degli obiettivi prefissati. I due KPI selezionati sono: NMAE (Normalized Mean Absolute Error) e RMSE (Root Mean Squared Error).
L’indicatore NMAE permette la quantificazione dell’errore medio del modello Orchestra rispetto alla massima potenza erogabile dall’impianto considerato (potenza nominale, nella formula indicata come kWh(max)). Questo indicatore è definito dall’espressione, per un determinato orizzonte di previsione h:
Dove yt|t-h è il valore predetto da Omnienergy al tempo t-h relativo al tempo t, yt il valore di energia immessa al tempo t e T rappresenta il numero di osservazioni prese in considerazione.
La metrica RMSE, invece, permette di quantificare la differenza di produzione del modello rispetto alla produzione assoluta: errori maggiori hanno un impatto proporzionale maggiore sull’indicatore RMSE. Questo indicatore è stato scelto perché permette di monitorare l’andamento della previsione in tempo reale ed è definito, per ogni orizzonte di previsione h, dalla seguente formula:
What we do

Omnienergy vs competitor

A conferma della maggiore qualità delle previsioni del modello Orchestra rispetto ai competitor sul mercato, si riporta di seguito il confronto tra le metriche considerate (NMAE e RMSE), calcolate per lo stesso periodo di test sui dati previsionali di Omnienergy e di un suo principale competitor:
Come si evince dal grafico, Omnienergy risulta avere valori di errore minori rispetto al competitor. Si precisa che il dato di produzione previsto dal competitor è relativo al loro “miglior valore” in quanto calcolato sulla base dei dati meteo previsti in tempo reale.
What we do
Want to learn how to build websites like this?
Learn from award winning designers in live online classes. Each class is limited to 15 students. Save you're spot below!
Save my spot