Il settore dell’energia è uno degli ambiti principali della nostra economia e, proprio per la sua importanza strategica, deve essere costantemente monitorato e regolamentato, così da garantire sempre l’adempimento dei contratti di fornitura presso i clienti finali. Queste necessità possono essere oggi assicurate in maniera più efficace da un utilizzo mirato dei dati a disposizione, attraverso l’utilizzo degli algoritmi di machine learning e intelligenza artificiale. Un caso di successo in questo particolare ambito è quello che ha visto coinvolti Moxoff, azienda di consulenza in ambito Data Science, specializzata nello sviluppo di modelli matematici, e la società dell’energia Edison, che ha portato allo sviluppo di un modello previsionale per la domanda gas basato sul machine learning. Occorre infatti premettere che, nell’ambito del complesso sistema che governa la logistica del gas, i fornitori utilizzano normalmente sistemi gestionali che consentono di analizzare e controllare costantemente il bilanciamento tra domanda e offerta. Dati i nuovi scenari normativi che si sono verificati nel mercato del bilanciamento, Edison si è avvalsa della consulenza di Moxoff per un progetto di potenziamento dei suoi strumenti di forecast.
Un modello per la previsione della domanda di gas
Lo scopo del progetto, che è stato realizzato internamente alle Officine Edison, è stato quello di innovare questo processo, sfruttando i dati anche con modelli predittivi e statistici. Per questo motivo Edison ha richiesto a Moxoff una consulenza per lo sviluppo di un modello innovativo di previsione della domanda gas. Un’attività che chiaramente riveste un ruolo fondamentale per Edison: i fornitori di gas sono tenuti a stimare (in gergo tecnico “nominare”) quale sarà il consumo di gas per il giorno successivo, così da permettere un ottimale bilanciamento della rete”. Edison e Moxoff hanno perciò realizzato un modello, basato su machine learning, reti neurali e tecniche di ensemble che è in grado di prevedere in dettaglio il consumo dei clienti gas consentendo una migliore gestione del portafoglio. Più precisamente il progetto prevede la composizione di più modelli differenti, così da prevedere la domanda in vari cluster di mercato: civile/residenziale, industriale e per la generazione termoelettrica. Il modello è ottimizzato per ciascuno di questi cluster, ed è basato sullo storico della domanda degli anni precedenti, ma anche su altre features specifiche. Rispetto ad altri modelli disponibili Moxoff ha cercato di fare degli ulteriori passi in avanti, ad esempio concentrandoci su specifiche aree geografiche, così da non accontentarsi soltanto di dati aggregati a livello nazionale.
Una efficace riduzione dell’errore percentuale
In particolare il modello messo a punto da Edison e Moxoff, impiegato in affiancamento al precedente sistema di stima della domanda di Edison ha consentito una riduzione significativa dell’errore percentuale sulla previsione della domanda di gas. Il beneficio per Edison di avere a disposizione una previsione più accurata si traduce immediatamente nella riduzione degli eventuali oneri di sbilanciamento. Esiste poi anche un vantaggio insito nell’automatizzazione del processo di stima: la soluzione consente di arrivare direttamente al popolamento di una dashboard, che può essere agilmente consultata per arrivare alla stima vera e propria della domanda di gas. Ovviamente la realizzazione di un modello matematico basato sul machine learning ha avuto bisogno di un solido progetto alle spalle: innanzitutto i tempi di realizzazione del modello sono stati di circa sei mesi. I data scientist di Moxoff hanno lavorato fianco a fianco con i Data Scientist delle Officine Edison; inoltre c’è stato un colloquio continuo con gli esperti della fase di nomina, che hanno saputo rispondere a tutte le domande. Fin dall’inizio l’obiettivo di Moxoff è stato quello di creare una piattaforma ben strutturata e molto elastica, che consentisse l’integrazione e l’evoluzione continua dei modelli predittivi.
