Progetto e sperimentazione di un modello previsionale della domanda di gas metano con preannuncio real-time a 36 ore

Le innovazioni normative, economico-gestionali, fiscali e finanziarie nel mercato del gas metano impongono alle Aziende gestrici della distribuzione di ordinare con anticipo di 36 ore i quantitativi di gas prelevati per l’utenza, fissando oneri significativi per ogni scostamento in aumento o in diminuzione rispetto all’ordine. Pertanto risulta di rilevanza economica e gestionale poter disporre di una previsione affidabile dell’andamento della domanda di gas nel corso dell’anno, in modo da minimizzare gli oneri di acquisizione dello stesso dal fornitore. Un tale strumento costituisce fra l’altro un potenziale fattore di vantaggio competitivo rispetto ad altre Aziende. La domanda aggregata di gas è rappresentabile in termini tecnici attraverso un processo stocastico con componenti di base “deterministiche” (costituite dalla domanda “fissa” da parte di utenze industriali). La domanda è correlata a fattori meteoclimatici in quanto connessa a fabbisogni termici, e risente di eventi difficili da inquadrare da un punto di vista statistico, quali ad esempio l’incidenza delle festività, delle manifestazioni pubbliche ecc. sui consumi. Si è già in passato affrontata la tematica della caratterizzazione statistica e sistemica del processo stocastico della domanda di gas. Uno studio svolto nell’anno 2000 da CIS spa su tale tematica [1a], fra l’altro, ha avuto la possibilità di indagare le relazioni fra la domanda aggregata e i parametri di gestione della rete del gas per la città di Forlì. Anche sulla scorta di tale esperienza, pertanto, è possibile affermare che allo scopo di prevedere la domanda di gas in relazione a variabili in ingresso di tipo meteoclimatico (p.es. temperatura dell’aria) e socioeconomico (p.es. variabili booleane (0/1) indicatrici di festività, manifestazioni ecc.) lo strumento più indicato è un modello di tipo black-box da calibrare in continuo sulla base di una serie temporale di ciascuno dei parametri in ingresso, in modo da fornire previsioni il più possibile accurate almeno a distanza di 1,5 giorni. Esistono molte tecniche di tipo statistico o basate sull’identificazione di sistemi dinamici, che potenzialmente si prestano allo scopo. Si citano ad esempio le reti neurali, i processi stocastici di tipo autoregressivo a media mobile con variabili esogene (ARMAX) e le loro sottoclassi, e altre tecniche rese recentemente disponibili dalla ricerca sull’Intelligenza Artificiale e la teoria dei sistemi complessi. Nella generalità dei casi, tali tecniche consentono di fornire una stima della variabile in uscita del modello e una quantificazione dell’incertezza relativa. Quest’ultima è l’unico parametro rilevante per giudicare la performance del modello in termini economici. In molti campi della gestione industriale e dell’ingegneria dei sistemi queste tecniche sono state applicate con notevole successo nel prevedere l’andamento di una variabile a partire dal suo comportamento nel passato e dal comportamento delle variabili da cui essa dipende. La loro applicabilità è condizionata dalla conoscenza delle serie temporali dei parametri in ingresso ed uscita del modello siano ben conosciute, come nel caso dei dati qui considerati (che derivano da contabilizzazioni precise quanto all’output (il fabbisogno di gas) e da misurazioni diffuse e affidabili quanto all’input meteoclimatico, o quanto meno facilmente indagabili quanto alle variabili socioeconomiche coinvolte). Riteniamo che sia necessario sottoporle comunque ad un test comparativo, ed eventualmente mantenere contemporaneamente in funzione più di un modello per ridurre le incertezze della stima, in quanto al momento non siamo a conoscenza di studi specifici sul tema della domanda di gas con tali tecniche. Una volta verificata la performance di vari possibili modelli e scelti quelli che meglio si prestano alla previsione, sarà possibile in modo semplice integrare un software di calcolo con i database dove oggi vengono registrati gli andamenti dei consumi di gas. Si configurerebbe in questo modo un sistema di previsione real time, di semplice utilizzo, che restituisce la previsione con il preavviso richiesto ed utilizza i dati man mano disponibili per aggiornare in continuo la calibrazione del modello. In linea di principio si può affermare un certo ottimismo riguardo alla fattibilità del sistema di previsione richiesto. Resta inteso che al momento si rende necessaria un’attività di progettazione del sistema e sperimentazione sulle serie temporali pregresse, con particolare riguardo per la scelta dei parametri di ingresso (ad es. temperatura, precipitazioni, indicatori socioeconomici…) e la valutazione dell’incertezza dell’output. L’attività è stata organizzata nelle seguenti fasi: Fase I: Raccolta ed analisi statistica delle serie storiche di domanda aggregata di gas nei tre distretti di Forlì, Cesena e Savignano sul Rubicone. Analisi qualitativa dei trend e identificazione dei possibili fattori che determinano l’andamento temporale, degli indicatori appropriati a descrivere tali fattori e della fattibilità di una loro acquisizione in tempo reale ed in continuo. Il risultato di questa fase è una relazione sintetica sulle caratteristiche e i trend delle serie storiche esaminate, su quali dati sono da ritenere significativi e sulle potenzialità/i colli di bottiglia di acquisizione dei dati. Fase II: Identificazione del processo temporale con tecniche: - artificial neural networks (ANN) - processi ARMAX e loro sottoclassi - stima con tecniche di tipo geostatistico - altre tecniche da valutarsi in corso di sviluppo. Il risultato di questa fase è una relazione sintetica che illustra l’accuratezza della previsione (errore % atteso) delle varie tecniche sperimentate, con diverse combinazioni di parametri di input, e la quantificazione del preavviso massimo ottenibile per assegnato errore %. Nel lavoro si riportano nel dettaglio le risultanza delle due fasi di attività.