Analisi dei metodi di ricostruzione delle curve di carico = Analysis of the load pattern reconstruction methods

La tesi ha l’obiettivo di ricostruire, con l’ausilio di reti neurali, gli andamenti della potenza elettrica richiesta da un carico, quando incognita in alcuni periodi di tempo. I dati numerici necessari, ossia la potenza campionata e gli istanti di misura, sono stati ricavati dalla banca REFIT. Per la costruzione delle reti neurali, si è sfruttato il software Matlab e due suoi applicativi (Regression Learner e Neural Net Time Series). In essi sono presenti delle reti neurali pre-programmate che richiedono i valori di predictor (grandezze sempre note, impiegate per la previsione) e della potenza nei giorni antecedenti a quello incognito. Inizialmente, sono stati utilizzati solo predictor “temporali”, ricavati dai momenti di campionamento. Poiché i risultati così raggiunti non sono stati soddisfacenti, si sono aggiunti altri predictor, i valori medi della potenza, sul minuto e sull’ora, sia nel giorno incognito che in quello precedente. Inoltre, l’incremento del numero di neuroni costituenti le reti neurali e la media tra i risultati dei diversi modelli sono stati altri due tentativi condotti per giungere a ricostruzioni più accurate. Si è concluso che la singola rete wide, composta da 50 neuroni con sufficienti informazioni, dia un ottimo risultato; quindi, essa è stata la sola impiegata nelle fasi successive. A seguire, sono stati sostituiti i predictor relativi ai valori medi nel giorno incognito con quelli di giorni precedenti, simulando la reale mancanza delle misure. Questo è stato ritenuto accettabile dallo studio dei diagrammi di carico nei singoli giorni, nei quali si sono individuati almeno quattro andamenti che si ripetono; questi sono associabili a carichi che, in momenti diversi, conducono alla stessa variazione della potenza totale. I risultati raggiunti con il nuovo modello presentano un prevedibile peggioramento, con la cancellazione di molte delle oscillazioni reali della potenza. Si è giunti ad un miglioramento di tali risultati costruendo un andamento tipo dei carichi ripetitivi e sostituendolo nel risultato della previsione fornita dal modello wide, quando essa presenta un’evoluzione che richiami uno di questi carichi. In conclusione, i modelli di Matlab sono accurati solo se disponibile un adeguato numero di informazioni; tuttavia, l’apporto “umano” tratto dall’esperienza nel dominio specifico può condurre al miglioramento dei risultati.