AI e forecasting nel Gas&Power

3 aprile 2025 dalle 9.30 alle 17.30

Dalle 9.30 alle 13.00

PERCHÉ INTEGRARE L’INTELLIGENZA ARTIFICIALE NEL FORECASTING

• Vantaggi e svantaggi di algoritmi tradizionali e algoritmi AI-Based
• Modelli basati su reti neurali:
  • reti neurali artificiali (ANN) per identificare pattern non lineari
  • reti neurali ricorrenti (RNN) per cogliere cicli e serie temporali
  • long short-term memory (LSTM) per dipendenze a lungo termine
• Modelli ad albero per analizzare relazioni complesse tra variabili e prendere decisioni

DEVELOPMENT: DALLA RACCOLTA DEL DATO ALLA CONFIGUAZIONE DEGLI ALGORITMI

Acquisizione dati storici e real-time, eliminazione di anomalie e colmare i dati mancanti

• Raccogliere, normalizzare e preparare i dati grezzi per essere utilizzabili dal modello
• Exploratory data analysis (EDA) per l’analisi e la visualizzazione dei dati in pattern
• Dimensionality reduction per migliorare le prestazioni degli algoritmi di clustering
  • Principal Component Analysis (PCA)
  • Uniform Manifold Approximation and Projection (UMAP)

Feature Engineering per identificare le variabili (o features) da utilizzare nel modello

• Selezione delle variabili che hanno un impatto sul modello dal dataset
• Generare nuove features combinando o trasformando quelle esistenti
• Rimozione delle variabili irrilevanti o fortemente correlate con altre

Configurazione e addestramento degli algoritmi

• Scelta e configurazione dell’algoritmo di ML e impostazione dei parametri di addestramento
• Addestramento coi data set in modo che il modello “impari” e migliori progressivamente
• Ottimizzazione degli iperparametri (Grid Search, Random Search, Algoritmi Evolutivi)

EVALUATION E VALIDATION: AFFIDABILITÀ E CAPACITÀ DI GESTIRE NUOVI DATI

• Metriche di valutazione (MAE, RMSE, MAPE) per misurare precisione e prestazione
• Cross-Validation, la validazione incrociata e i test su dati reali
• Interpretazione dei risultati e verifica delle previsioni

DEPLOYMENT: INTEGRARE I MODELLI DI ML PER PREVISIONI SU LARGA SCALA

• Integrazione nei sistemi aziendali
• Utilizzo del modello tramite WebAPI e gestione scalabile di grandi volumi di dati
• Monitoraggio delle performance in produzione in tempo reale
• Tecniche di tuning per adattare il modello ai nuovi dati

CASE STUDY

Un processo completo di AI forecasting per la previsione di consumi attraverso la clusterizzazione dei POD

• Forecasting short term
• Clusterizzazione POD in azienda utility
• Migliorare la previsione dei consumi e ottimizzare la gestione della rete
• Valutazione e validazione del modello
• Deployment e integrazione dei modelli nelle applicazioni

Dalle 14.00 alle 17.30

COME AFFRONTARE E RISOLVERE GLI STEP PIÙ CRITICI

Acquisizione e gestione completa dei dati

• Acquisizione dati da fonti interne (POD e Pdr) ed esterne (condizioni meteorologiche, mercati energetici) e generazione di indicatori utilizzabili
• Identificazione outlier, stima valori mancanti e profilazione quart’oraria delle misure per ottenere curve common period

Stabilire criteri tecnici di selezione dei modelli basati su performance e requisiti

• Analisi di accuratezza, tempo di computazione, robustezza, capacità di generalizzazione e gestione della complessità del modello
• Benchmarking e testing di diversi modelli
• Come implementare pipeline con tecniche di cross-validation stratificata

Come usare il cloud per rendere più veloci i modelli di intelligenza artificiale

• Utilizzo del cloud per espandere automaticamente le risorse e gestire i big data
• Strumenti per integrare l’AI con l’ambiente operativo esistente (AWS, Microsoft, …)
• Sviluppare progetti di Proof of Concept (PoC) testare velocemente nuovi modelli AI

DECISION MAKING: SFRUTTARE SCENARI E ACTION ELABORATI DALL’AI

Valutazione delle decisioni basate sul forecasting

• Modelli decisionali avanzati, analisi di sensitività e simulazioni di scenari what-if
• Analisi di sensitività parametrica per valutare le previsioni rispetto a variazioni di input

• Sfruttare algoritmi genetici multi-obiettivo per bilanciare efficienza, costi e impatti ambientali
• Integrare le previsioni nei modelli di rischio per minimizzare l’esposizione

Ottimizzazione dinamica dei processi decisionali: il Reinforcement Learning (RL)

• Applicare algoritmi di RL per bilanciare dinamicamente domanda e offerta in base alle necessità di complessità e dinamismo
• Bilanciare il test di nuove strategie e lo sfruttamento di azioni già addestrate
• Addestrare e testare l’agente prima della messa in produzione

CASE STUDY

Il processo decisionale sulla base di Modelli di Machine Learning per l’ottimizzazione dello sbilanciamento fisico Power

Pierluigi Riva, Chief Technology Officer, Davide Giraudo, Energy Market Line Manager e Sabrina Sampò, Senior Mathematical Engineer – ORS | Dedagroup Company