La previsione dei carichi elettrici è sempre stata di fondamentale importanza per la gestione e la pianificazione dei sistemi elettrici. Recentemente, ha assunto un ruolo ancora più importante a causa dell’aumento della produzione distribuita di energia elettrica da fonte rinnovabile.

Il presente lavoro descrive l’applicazione della metodologia Functional Principal Components Analysis (FPCA) alla previsione dei carichi elettrici di cabine secondarie di bassa tensione. Le prestazioni della metodologia sono state confrontate con i risultati ottenuti sia con una metodologia basata su reti neurali (NN) e wavelet che con una metodologia basata sul modello Autoregressive Integrated Moving Average (ARIMA).

Sono stati utilizzati due insiemi di dati: i) carichi di quattro cabine a Bologna da Dicembre 1994 a Dicembre 1995; ii) carichi di tre cabine di Milano dal 2014 a fine Settembre 2017. Il primo set di dati era stato analizzato con reti neurali e wavelet, il secondo era stato analizzato con ARIMA. I risultati di entrambe le analisi sono state pubblicate in precedenti rapporti di Ricerca di Sistema.

Lo scopo principale della presente attività è la verifica delle prestazioni di previsione della metodologia basata su FPCA. Inoltre, si è deciso di non effettuare alcuna ottimizzazione specifica dettata da una analisi preliminare dei dati. Il procedimento individuato è stato applicato in modo automatico senza alcun intervento di correzione e utilizzando solamente le curve di carico e informazioni aggiuntive “calendariali”.

La metodologia di analisi FPCA consente di scomporre una serie temporale nella combinazione lineare di un certo numero di funzioni di base (FPC) tra loro ortogonali. I coefficienti della combinazione lineare sono detti score.

La metodologia di previsione si basa su tre fasi:

1. individuazione di un insieme di dati di addestramento (training set),

2. analisi mediante tecnica FPCA,

3. individuazione del miglior modello lineare di previsione degli score di ciascuna FPC.

Gli indici utilizzati per il confronto delle prestazioni sono stati il MAPE (Mean Absolute Percentage Error), l’errore in energia e il coefficiente di determinazione.

Il metodo proposto ha fornito risultati confrontabili con quelli ottenuti con gli altri metodi. Inoltre, si è verificato che gli errori in energia sono minori rispetto a quelli delle altre metodologie.