Meta-apprendimento tra mercati per la previsione dei prezzi dell’energia elettrica

Abstract degli autori

La previsione dei prezzi dell’energia elettrica per il giorno successivo (DA) viene di solito affrontata mercato per mercato, adattando un modello distinto ai dati storici di ciascuna rete. Questo limita l’accuratezza: i modelli di riferimento statistici e quelli basati su alberi raggiungono un punto di saturazione, mentre i modelli sequenziali di maggiore capacità richiedono più dati di addestramento di quanti possano offrirne i pochi anni di prezzi orari di un singolo mercato. Questi metodi trattano inoltre ogni nodo come una serie indipendente, trascurando le dipendenze spaziali dovute alla topologia della rete e alla congestione. Poiché la formazione dei prezzi presso i diversi operatori di sistema indipendenti (ISO) dipende da leggi fisiche condivise e da una struttura dei mercati in gran parte comune, trattiamo invece i dati storici di più mercati come un corpus per il preaddestramento. Presentiamo MetaGrid, un transformer che tiene conto della topologia, meta-addestrato su più mercati affinché un unico insieme di parametri, indipendente dal numero di zone, possa adattarsi a una rete mai vista prima. Su un benchmark privo di fughe di dati che comprende cinque ISO statunitensi, in cui ogni modello riceve gli stessi prezzi, le stesse previsioni DA del carico e le stesse caratteristiche di calendario, MetaGrid ottiene il valore medio di MAE più basso, migliorando del 3,1\% rispetto al miglior modello di riferimento e del 7,7\% rispetto alla stessa architettura addestrata da zero.