1) Scegli il MODELLO:
Una Regressione Lineare è utile per indagare la presenza di relazioni lineari tra il consumo di energia e le condizioni meteorologiche.
Un approccio Nearest Neighbour evidenzia una relazione di similarità tra le condizioni meteo e il consumo di energia elettrica.
La regressione attraverso Gaussian Process cerca di identificare una correlazione tra i diversi consumi di energia elettrica basandosi sulla similarità delle condizioni meteo.
Un Artificial Neural Network costruisce relazioni fortemente non-lineari tra condizioni meteorologiche e consumo di energia al costo di un maggior rischio di over-fitting.
2) Scegli le sue SPECIFICHE:
Date le forti basi teoriche di un Modello Lineare, è possibile identificare quali delle caratteristiche meteorologiche siano significativamente influenti per la regressione. Di conseguenza, è possibile derivare partendo da un modello completo, in cui si usano tutti i dati, un modello semplificato, in cui quelli non significativi vengono eliminati.
L'obiettivo di tale riduzione è mantenere lo stesso potere predittivo utilizzando meno informazioni, passando in questo caso da sette a tre.
2) Scegli le sue SPECIFICHE:
Una regressione attraverso un algoritmo di Nearest Neighbour ricerca una forte similarità tra le condizioni meteo passate e quelle future, andando ad assegnare come previsione del consumo di energia elettrica una combinazione delle prime. In tal caso, le condizioni meteo possono non essere sufficienti: può infatti capitare che durante la primavera si presentino giornate di caldo estivo, ma il consumo di energia elettrica rimane più primaverile che estiva.
Perciò, un modello completo tiene anche in conto di questa eventualità, a differenza di uno che non utilizza la posizione reciproca dei giorni all'interno del calendario.
Inoltre, è necessario scegliere su quanti giorni simili del passato si debba basare la previsione.
2) Scegli le sue SPECIFICHE:
La regressione attraverso un Gaussian Process nasce come generalizzazione di un Modello Lineare ai cui coefficienti vengono date delle distribuzioni a priori. Di conseguenza, si ottiene che la distribuzione del consumo di energia è un vettore Gaussiano la cui matrice di covarianza dipende direttamente dalle condizioni meteorologiche del giorno stesso.
Tale covarianza è maggiore all'aumentare della vicinanza dai giorni, e decresce al crescere della distanza. Il decadimento della correlazione segue comunemente il l'esponenziale del quadrato della distanza. Se si vuole aumentare la cerchia di giorni del passato che influiscono su quelli futuri è possibile rilassare il decadimento, utilizzando unicamente l'esponenziale della distanza.
2) Scegli le sue SPECIFICHE:
Per poter ottenere risultati significativi, un Artificial Neural Network deve essere ben controllato durante la fase di calibrazione, in modo da non adattarsi eccessivamente ai dati, evitando così il rischio di over-fitting.
Tale rischio cresce velocemente all'aumentare del numero di nodi (o neuroni) utilizzati. D'altro canto, uno dei metodi più comuni per fronteggiarlo è dividere il dataset dedicato alla calibrazione in allenamento e validazione e utilizzare la procedura iterativa proposta da Levenberg-Marquardt. Altrimenti, come viene comunemente fatto per le regressioni lineari, si può aggiungere un processo di regolarizzazione adattiva, che va a penalizzare i neuroni che si adattano eccessivamente ai dati, favorendo una maggiore generalizzazione dell'Artificial Neural Network. Tale approccio, detto di regolarizzazione Bayesiana, è molto sensibile ai dati in input e in output: se i dati meteo non sono correttamente normalizzati e il consumo destagionalizzato, la rete neurale non riesce ad adattarsi.
3) Imposta una STAGIONALITA':
Il consumo di energia elettrica varia fortemente di stagione in stagione. In particolare, si ha un minimo durante l'estate e un massimo durante l'inverno, e questo evidenza un generale andamento sinusoidale con periodicità annuale. Inoltre, è possibile aspettarsi che il weekend e le feste abbiano un consumo di energia diverso da quello dei giorni feriali.
Ciò va combinato a un aumento della volatilità del consumo durante l'inverno (che può essere riscalato con l'uso della funzione logaritmica) e la presenza di effetti auto-regressivi su base giornaliera.
