Machine Learning methods applied to weather-related variables for energy trading activities

I regimi meteorologici sono configurazioni climatiche su larga scala, quasi-stazionarie e ricorrenti, la cui dinamica ed evoluzione risultano di notevole impatto sulle principali variabili meteorologiche (temperature, precipitazione, velocità del vento) ed energetiche (domanda e consumi energetici, generazione attraverso rinnovabili). In contesti applicativi, tali regimi sono maggiormente prevedibili, specie se paragonati alle canoniche previsioni a 15 giorni dei singoli fattori climatici. Di conseguenza, la quantificazione degli effetti che queste configurazioni hanno in ambito energetico permetterebbe di mettere luce su trend futuri di variabili di interesse, risultando quindi un valore aggiunto per industrie nel settore del trading di materie prime energetiche. Nel nostro studio, introduciamo la natura fisica di questi regimi e ci avvaliamo di un insieme di metodologie statistiche avanzate di apprendimento non-supervisionato per riconoscere e distinguere automaticamente i principali regimi, superando il benchmark stabilito da studi precedenti nel campo. I risultati che otteniamo ci permettono di quantificare con maggior precisione l'impatto di queste dinamiche su variabili energetiche, aprendo nuove prospettive per il settore del trading energetico. In fine, proponiamo un metodo di forecasting che allarga l'orizzonte di previsione nella finestra sub-stagionale (fino a 6 settimane in avanti), permettendoci di ottenere notevoli intuizioni sull'inverno energetico 2021-2022.