Il rapporto presenta innanzitutto l’analisi statistica dei dati storici (sia previsioni sia consuntivi degli scambi di potenza) per valutare la dipendenza degli errori previsionali dai valori previsionali. La divisione dei dati storici in cluster caratterizzati da simili orizzonti temporali di previsione ha consentito di analizzare l’effetto dell’orizzonte temporale sull’accuratezza della previsione: sono state confrontate le medie e le deviazioni standard degli errori previsionali per le variabili sui diversi cluster ed i risultati mostrano che non esiste un trend consolidato tra orizzonte temporale ed accuratezza della previsione: in certi casi, la media e la deviazione degli errori si riducono al diminuire dell’orizzonte temporale (comportamento previsto), ma in altri casi si verifica aumentano al ridursi dell’orizzonte previsionale oppure ne sono scarsamente influenzati. Il confronto delle distribuzioni di probabilità degli errori previsionali per i diversi cluster di orizzonti conferma quanto sopra riportato.

In generale, la definizione della nuvola di incertezza degli stati di rete intorno alla condizione operativa prevista non può prescindere dalla conoscenza dello stato “previsto”. In altri termini, l’estrazione Monte Carlo dei campioni delle iniezioni stocastiche deve tenere conto dei valori previsionali delle iniezioni stesse. Il rapporto presenta una rassegna di possibili metodi per l’estrazione di campioni delle iniezioni condizionati ai valori previsti delle stesse, partendo dal metodo del “vicino più prossimo” fino al Gibbs sampling, al sampling condizionato basato sulla trasformata di Nataf ed allo stimatore basato sulle funzioni di kernel. Le simulazioni condotte su una semplice rete test con poche variabili aleatorie ha mostrato come il sampling basato sulla trasformata di Nataf fornisca il migliore compromesso tra velocità computazionale (fondamentale per l’applicazione in-linea) e accuratezza.

Il rapporto presenta in dettaglio le problematiche e le soluzioni adottate per l’implementazione del metodo di sampling condizionato scelto sopra all’interno della piattaforma in-linea del progetto europeo iTesla per la valutazione della sicurezza. L’applicazione del metodo di sampling a estesi set di dati (contenenti oltre 6000 variabili e relativi alla rete francese) conferma la compatibilità dei tempi di calcolo con i requisiti posti dall’ambiente “in-linea”. Dall’analisi risulta che i valori previsti delle iniezioni risultano spesso all’esterno della nuvola di campioni estratti delle medesime iniezioni: ciò è dovuto alla scarsa accuratezza delle previsioni presenti nei dati storici utilizzati per costruire il modello di incertezza. L’analisi ha anche consentito di segnalare le variabili che presentano un maggiore scostamento tra il valore previsto e il relativo set di campioni estratti.

Infine il rapporto presenta la metodologia per la validazione della piattaforma in-linea di iTesla per la valutazione della sicurezza: in particolare, si evidenziano le modifiche da apportare al workflow principale della piattaforma per scopi di validazione della stessa. Inoltre si riportano le procedure e le metriche per definire l’accuratezza e l’efficienza computazionale dei singoli moduli della piattaforma in-linea.