Previsione del Prezzo Unico Nazionale in un contesto di scenari prestabiliti: approccio statististico e machine learning per la previsione del Mercato Elettrico Italiano = National Single Price forecasting in predefined scenarios: Statistics and Artificial Intelligence at the service of the Italian Power Market

L'evoluzione del mercato elettrico italiano, dalla sua nascita come monopolio statale fino alla completa liberalizzazione, ha segnato una trasformazione fondamentale non solo per l'industria energetica del paese ma anche per il modo in cui consumatori e aziende interagiscono con questo bene primario. Nel contesto di questo cambiamento, la necessità di sviluppare strumenti e metodologie avanzate per la previsione del prezzo dell'energia elettrica è diventata sempre più pressante. La ricerca accademica ha esplorato con rigore questo ambito, adottando una varietà di metodologie che vanno dagli approcci statistici convenzionali fino alle più sofisticate tecniche di machine learning, evidenziando l'importanza vitale di effettuare previsioni accurate per informare le scelte degli attori del mercato. I modelli statistici, come l'Autoregressive Integrated Moving Average (ARIMA) e gli Ordinary Least Squares (OLS), hanno lungamente dominato il campo della previsione, fornendo interpretazioni basate su principi statistici consolidati. Tuttavia, l'avvento del machine learning ha introdotto un cambio di paradigma con l'adozione di modelli avanzati e non lineari, capaci di decifrare schemi complessi in grandi volumi di dati. Tecnologie quali il Deep Learning, le Support Vector Machines (SVM) e i metodi Ensemble (modelli di insieme) hanno riscosso un crescente interesse, offrendo nuove prospettive e sfide nel miglioramento delle previsioni energetiche. L'obiettivo principale dell'elaborato è duplice: da un lato, si intende fornire una comprensione dettagliata del funzionamento del mercato elettrico italiano, mettendo in luce i cambiamenti storici e i meccanismi attuali che ne regolano le dinamiche; dall'altro, valutare criticamente diverse tecniche di previsione dei prezzi dell'energia, dall'approccio semplicistico dei modelli auto-regressivi, fino alle tecniche più complesse di intelligenza artificiale dei modelli ensemble, al fine di fornire un contributo metodologico che permetta di analizzare il Prezzo Unico Nazionale (PUN) italiano su un orizzonte temporale decennale, tenendo conto delle potenziali variazioni delle condizioni a contorno. In particolare, verranno esaminati il modello SARIMA (Seasonal Autoregressive Integrated Moving Average), la Regressione lineare multivariata e il XGBoost (Extreme Gradient Boosting), confrontando le prestazioni predittive dei modelli statistici e autoregressivi con quelle delle avanzate tecniche di machine learning basate su modelli di insieme. Una volta individuato il modello migliore in termini di adattabilità ai dati, verrà eseguita un'analisi previsionale tenendo conto di due potenziali scenari futuri: uno caratterizzato da un significativo aumento del prezzo del gas naturale, potenzialmente scaturito da contesti geopolitici critici, e l'altro da un aumento del fabbisogno elettrico nazionale, in linea con gli obbiettivi sostenibilità delle policy europee. Le conclusioni, infine, mirano a delineare potenzialità e limiti delle metodologie esaminate, offrendo un'analisi critica basata sull'accuratezza delle previsioni e sulla loro applicabilità pratica nel contesto del mercato elettrico italiano, evidenziando così le direzioni future per la ricerca e lo sviluppo nel settore.