La costante evoluzione delle tecnologie Big Data offre l’opportunità di applicazione di queste tecniche di analisi dei dati a nuovi contesti applicativi, caratterizzati da una elevata variabilità e velocità di generazione. La capacità di estrarre conoscenza da queste fonti di informazione può rappresentare un vantaggio strategico ed economico per gli attori di un sistema elettro-energetico che sta diventando sempre più competitivo.

L’attività in oggetto si configura come prosecuzione delle attività associate alla tecnologie Big Data svolte nel corso del 2016 e si prefigge di esplorare la possibilità di utilizzare servizi di Big Data Analysis commercialmente disponibili per costruire modelli matematici descrittivi del consumo di energia elettrica associato a cabine secondarie di Media Tensione.

Nella fattispecie si è sperimentato l’utilizzo del framework per il calcolo distribuito “Apache Spark” offerto dalla piattaforma commerciale “Databricks” al fine di individuare modelli matematici utili alla predizione dell’andamento delle potenze contrattuali, del consumo per cabina/feeder e per la stima del consumo di cabine non monitorate. Lo studio ha evidenziato come per la predizione dell’evoluzione della potenza associata ai contratti, il metodo più promettente sia l’analisi delle serie temporali realizzata mediante un modello ARIMA calibrato su ogni area geografica della città.

Un secondo obiettivo ha riguardato l’individuazione di modelli matematici associati al consumo elettrico di cabine MT allo scopo, sia di predire il consumo futuro della cabina stessa e del feeder associato, sia di astrarne il comportamento nell’ottica di stimare i pattern di consumo associati a cabine non monitorate aventi caratteristiche analoghe (es. tipologia contrattuale). I modelli a regressione lineare multivariata applicati a singole cabine si sono rivelati adatti alla predizione sia dei consumi all’ora che alle 24 ore successive.

Sulla base delle informazioni della topologia di rete fornite dal modello di rappresentazione delle reti standard CIM di IEC, si sono quindi aggregate a livello di feeder le predizioni a 24 ore di ciascuna cabina ottenute mediante le tecniche di regressione, ottenendo in tal modo risultati globalmente soddisfacenti.

La predizione con serie temporali di cabine prive di informazioni storiche di curve di consumo realizzata sulla base del modello relativo a cabine aventi caratteristiche analoghe, è risultata molto dipendente dal periodo analizzato, quindi di poca utilità operativa.

I risultati conseguiti hanno dimostrato che l’aggregazione di grandi moli di informazioni di diversa origine, incluse quelle associate al modello dati standard CIM di IEC, abbinate agli strumenti di analisi offerti da piattaforme di Big Data Analysis commercialmente disponibili, offrono un valido supporto per l’estrazione di conoscenza dalle informazioni nella disponibilità degli attori del sistema elettrico.