Swissgrid costruisce linee e tralicci da 80 anni. A questa lunghissima storia aziendale si contrappone l’estrema velocità con cui sta cambiando l’intero settore energetico, che pone tutte le relative aziende, inclusa Swissgrid, di fronte alla necessità di evolversi. Le sfide sono aumentate soprattutto per quanto riguarda il monitoraggio e il controllo della rete. Considerando la svolta energetica e la dinamica sempre più rapida sui mercati dell’elettricità, gli operatori devono confrontarsi continuamente con situazioni sempre nuove sulla rete.
Una risposta a questo contesto più complesso è la Data Science, che permette di elaborare grandi quantità di dati e riconoscere modelli e interconnessioni per realizzare previsioni affidabili. La Data Science è interdisciplinare e applica metodi derivati da vari settori come la matematica, la statistica, l’informatica, e in particolare dal Machine Learning come applicazione dell’intelligenza artificiale.
Swissgrid ha raccolto esperienze nel campo della Data Science con vari progetti pilota. Uno di questi è il «Probabilistic Nodal Load Forecast», elaborato da Tim Rohner e Koen van Walstijn come parte delle loro tesi rispettivamente di master e di dottorato. Il progetto non solo ha fornito risultati interessanti ma, un aspetto altrettanto importante, creato notevoli competenze nel lavoro con la Data Science in azienda. Nell’intervista ci parlano del loro know-how e delle sfide legate al progetto.
Tim e Koen, qual era la questione centrale del vostro lavoro?
Tim: L’obiettivo del nostro lavoro era mostrare il livello di immissione e prelievo nella rete di trasmissione a livello di singolo nodo in un determinato momento nel prossimo futuro. Concretamente, cosa significa? Dobbiamo pensare la rete come un grafico fatto da linee e nodi. Le linee sono le linee elettriche, i nodi sono generalmente le sottostazioni. In ciascuno di questi circa 250 nodi nella rete svizzera c’è un flusso di elettricità in entrata o in uscita. Si tratta prognosticare con precisione questi flussi di energia (i cosiddetti carichi netti) per ogni nodo. Queste previsioni, infatti, sono un elemento fondamentale per calcolare la sicurezza della rete. Nei nostri modelli dobbiamo poi tenere presente il fatto che i singoli nodi non si possono analizzare indipendentemente l’uno dall’altro, ma sono in correlazione. È incredibilmente complesso ottenere un quadro preciso di tutti i flussi di energia. La Data Science è fatta appositamente per compiti di questo genere.
Koen: Con il nostro lavoro di ricerca vogliamo inoltre quantificare le incertezze che, specie nella previsione dei carichi della rete elettrica, sono molteplici: come si evolvono i consumi? Quando e quanta energia viene prodotta? Sono cose che non sappiamo mai con certezza. Ora possiamo valutare il grado di esattezza delle nostre previsioni nei diversi momenti e per i vari nodi. La Data Science non è adatta solo per l’analisi di un sistema altamente complesso, ma anche per contesti influenzati da variabili casuali e meccanismi non ancora conosciuti.
La Data Science non è adatta solo per l’analisi di un sistema altamente complesso, ma anche per contesti influenzati da meccanismi non ancora conosciuti.
Koen van Walstijn
Che metodi avete applicato per rispondere alle vostre domande?
Tim: Il nostro approccio si basa su un metodo che viene dall’ambito del Machine Learning, nello specifico il cosiddetto Deep Learning: una complessa rete neurale individua correlazioni sulla base di dati storici, che possono essere legati ai consumi, alla produzione ma anche al meteo. Il sistema utilizza poi queste correlazioni per prevedere i flussi di energia futuri per ogni nodo.
Koen: Nel meccanismo di apprendimento, all’inizio il modello genera valori del tutto casuali. I risultati vengono confrontati costantemente con i valori corretti, vale a dire con i valori effettivamente rilevati in passato. Adattando l’algoritmo siamo riusciti a ottenere risultati gradualmente migliori. Va sottolineato il fatto che noi non diciamo esplicitamente all’algoritmo quali correlazioni deve apprendere, ma gli indichiamo semplicemente le grandezze di riferimento. Ecco perché si parla di autoapprendimento.
Quali sono state le sfide del vostro progetto?
Koen: Non sapevo come avrebbero reagito i collaboratori al nostro lavoro. Con i nostri modelli, infatti, vogliamo supportare Swissgrid nel monitoraggio della rete. I metodi che applichiamo forniscono previsioni probabilistiche, per esempio come la seugente: c’è la probabilità del 20% che il carico sia più grande di 100 megawatt. Non è facile integrare questo tipo di prognosi nei processi azientali esistenti. Ci siamo inoltre chiesti come gli operatori avrebbero utilizzato i nostri risultati, soprattutto in caso di differenze con le loro esperienze. In questi casi è importante spiegare bene le opportunità, ma anche i limiti delle nostre previsioni.
Tim: Per me c’erano anche altre sfide: il modello teorico che abbiamo scelto proviene dalla ricerca sul Machine Learning, ma ora si trattava di applicarlo a dati reali. E non sapevamo se avrebbe funzionato bene anche nella pratica. Anche la raccolta dei dati ha richiesto molto tempo.
Swissgrid riconosce le potenzialità.
Tim Rohner
E il modello ha funzionato anche nella pratica?
Koen: Sì. Con il nostro lavoro abbiamo dimostrato che il modello si può applicare anche sui dati reali e che la previsione dei carichi e delle insicurezze funziona. Nello sviluppo ulteriore della mia tesi di dottorato sto cercando di rendere il modello ancora più preciso. Inoltre vorrei elaborare un modello probabilistico per tutta la rete sulla base di previsioni.
Tim: Stiamo anche lavorando per consentire a Swissgrid di utilizzare il nostro modello nel lavoro di tutti i giorni. Ad esempio, abbiamo affiancato un progetto interno con l’obiettivo di migliorare la pianificazione della gestione della rete. Il nostro lavoro, poi, ha fatto vedere che all’interno dell’azienda si può portare avanti un progetto di Data Science dall’idea iniziale all’implementazione concreta. Con l’infrastruttura informatica che sta creando Swissgrid è possibile realizzare progetti di Data Science su scala ancora più ampia. Per i gestori di rete, la Data Science è particolarmente interessante, perché ci si muove in un contesto molto complesso con grandi quantità di dati generate ogni giorno. Swissgrid ha riconosciuto questo potenziale.
Un riassunto del modello per gli esperti
Il modello è un cosiddetto Conditional Variational Autoencoder. Si tratta di una speciale tipologia di rete neurale, presentata nel 2013 e 2014 da Diederik P. Kingma e Max Welling. Il Variational Autoencoder apprende da una rappresentazione dei carichi, inclusi correlazioni tra i nodi, nello spazio latente. Mediante il sampling nello spazio latente è possibile poi generare diversi stati del sistema.
Autrice
