La capacità di previsione del prezzo dei mercati riveste un ruolo chiave nell’ambito di un mercato liberalizzato e, quindi, competitivo. Gli operatori partecipanti alla borsa elettrica, ad esempio, possono utilizzare le previsioni del prezzo per sviluppare le loro strategie di offerta con l’obiettivo di massimizzare il profitto ottenuto. D’altra parte, per gli operatori che stringono accordi bilaterali al di fuori della contrattazione borsistica, avere una previsione accurata del prezzo dell’energia è fondamentale per poter valorizzare opportunamente l’energia contrattata.

L’obiettivo di questo studio è valutare l’influenza di diversi parametri che ritenuti utili alla previsione, detti predictor, con maggiore attenzione verso quelli resi pubblici dai Market Operator e dai Transmission System Operator. Inoltre si vuole testare il ruolo che ciascuno di tali predictor ha nei diversi approcci di previsione del prezzo.

In particolare lo studio è stato condotto con dati relativi a due anni (2014 – 2015) per i prezzi del mercato elettrico del giorno prima (MGP) Italiano, dove le offerte di vendita, le offerte di acquisto relative ai pompaggi e le offerte di acquisto di export sono soggette al prezzo della zona a cui appartengono, mentre tutte le altre offerte di domanda sono soggette al Prezzo Unico Nazionale – PUN.

Poiché la mole di dati da tenere in considerazione è consistente, in questo studio sono stati considerati due metodi di previsione del prezzo, entrambi in grado di lavorare con un elevato numero di predictor diversi: una rete neurale (NN) e una Support Vector Regression (SVR).

La NN è stata scelta per la sua abilità nell’apprendere come associare a ogni input il corrispondente output. Dati diversi predictor, la NN restituisce il prezzo previsto (PUN o prezzo zonale) attraverso interconnessione di neuroni. Per ottenere tale risultato la NN deve essere addestrata.

SVR viene usata per regressioni e previsioni di time series ed è basata sulle Support Vector Machine (SVM), un metodo di machine learning di introduzione recente ed applicato in particolare alla classificazione di dati. SVM sono solitamente utilizzate in presenza di non-linearità. La forza delle SVM sta nella capacità di mappare i dati di input in uno spazio a dimensione maggiore e in questo nuovo spazio usa semplici funzioni lineari per creare vincoli lineari.

Questi metodo sono stati applicati su diverse combinazioni di predictor, in modo tale da verificare il peso di ciascuno nella previsione del PUN e dei prezzi zonali. In quasi tutte le previsioni NN risulta essere la metodologia migliore rispetto alle SVR. É stato anche eseguito un confronto con due metodi meno sofisticati, una regressione lineare (LR) e la persistenza (P), rispetto ai quali sia NN che SVR hanno un comportamento migliore.

Relativamente ai predictor, nessuno di essi porta alcun beneficio quando considerato singolarmente, mentre la previsione migliore è quella che si ottiene considerando tutti quelli a disposizione. Questo è vero per il PUN, e per il prezzo zonale di NORD e SUD. Per quanto riguarda le zone CNOR e CSUD, la previsione migliore è quella che si ottiene escludendo il mese e la stagionalità. In aggiunta, mentre la previsione del PUN e della zona NORD arriva a buoni risultati in termini di RMSE, MAE, BIAS e correlazione, i risultati ottenuti portano a pensare che nelle zone CNOR e CSUD siano necessari ulteriori predictor.