Ricerca e dati

Metodologia, schede dei modelli e storico reale

Ogni previsione viene congelata all'emissione e valutata quando i prezzi reali sono noti. Questa pagina spiega il metodo, mostra lo storico reale e dà a ogni modello una scheda con input, addestramento, valutazione e limiti.

Storico reale

Errore medio giornaliero di ogni previsione congelata le cui ore sono ora note, tutte le zone. Più basso è meglio.

ProdottoZona

Calcolo…

Metodologia di valutazione

Dati

Prezzi, carico, produzione, bacini, flussi e bilanciamento provengono dalla piattaforma di trasparenza ENTSO-E, dall'Energi Data Service di Energinet, dal Baltic Transparency Dashboard e, per la Gran Bretagna, da Elexon; le previsioni meteo da Open-Meteo. Ogni valore è salvato con l'ora di pubblicazione, così un modello viene addestrato solo su ciò che era noto in quel momento.

Previsioni congelate

Ogni previsione viene scritta in un registro di sola aggiunta con la sua ora di emissione, prima dell'asta che prevede. Nulla viene modificato dopo; i prezzi reali vengono aggiunti accanto quando sono pubblicati.

Backtest walk-forward

I test storici riaddestrano il modello sui dati fino a ogni periodo di test e prevedono solo il periodo successivo, come il modello sarebbe stato usato. Questi risultati sono etichettati come retrospettivi; il registro reale è la prova prospettica.

Metriche

Errore assoluto medio della previsione mediana, abilità rispetto alla persistenza (domani come oggi) o alla previsione del TSO, e quota dei valori reali nell'intervallo all'80%. La mediana di ogni modello viene poi corretta della metà del suo scarto tipico per zona, ora e orizzonte negli ultimi 60 giorni non usati per l'addestramento, e gli intervalli sono calibrati con regressione quantilica conformalizzata sugli stessi giorni. Tutto è verificato su dati che il modello non ha visto.

Limiti

I modelli imparano dal passato; i cambi di regime (nuove interconnessioni, sincronizzazione, shock sui combustibili) li peggiorano finché non ci sono abbastanza dati nuovi. Gli errori sono riportati per ogni zona, anche dove i modelli fanno peggio di riferimenti semplici.

Schede dei modelli

A cosa serve ogni modello, cosa usa, come è stato addestrato e testato, e dove non fidarsi.

Modello di prezzo gradient boosting (gbm)

Scopo:: Quantili orari dei prezzi del giorno prima (10/50/90%) per il giorno dopo, il dopodomani e i giorni 3-7, per zona.
Input:: Prezzi recenti, previsioni di carico e di eolico/solare dei TSO, previsioni meteo, calendario, livelli dei bacini per le zone idroelettriche e prezzi d'asta noti per il giorno 2.
Addestramento:: Modelli quantilici di gradient boosting a istogrammi (scikit-learn) riaddestrati su una finestra mobile; mediana corretta della metà del suo scarto recente fuori campione per zona, ora e orizzonte (in un test walk-forward 2023-2026 ha ridotto l'errore dell'1,4%); intervalli calibrati con regressione quantilica conformalizzata.
Valutazione:: Backtest walk-forward dal 2022 e registro reale congelato, contro la persistenza.
Limiti:: I picchi oltre lo storico recente sono sottostimati; i cambi di regime richiedono settimane di dati nuovi.

Modello di prezzo neurale (qnet)

Scopo:: Gli stessi quantili da una rete feed-forward, come secondo parere indipendente.
Input:: Come gbm.
Addestramento:: Perdita quantilica (pinball), early stopping su un periodo di validazione successivo; stessa correzione della mediana e calibrazione di gbm.
Valutazione:: Come gbm; mostrato accanto nelle pagine di accuratezza.
Limiti:: Più sensibile a cambi di scala degli input (ad esempio se un TSO cambia la scala della propria previsione).

Riferimento di persistenza

Scopo:: Riferimento: le ore di domani sono uguali a quelle di oggi.
Input:: Ultimi prezzi del giorno prima noti.
Addestramento:: Nessuno.
Valutazione:: Valutato nello stesso registro.
Limiti:: Ignora meteo e calendario; l'asticella che ogni modello deve superare.

Riferimento settimanale (weekly)

Scopo:: Riferimento: ogni ora è uguale alla stessa ora di una settimana prima.
Input:: Prezzi del giorno prima della settimana precedente.
Addestramento:: Nessuno.
Valutazione:: Valutato nello stesso registro.
Limiti:: Coglie solo il ritmo settimanale; non vede i cambiamenti di meteo e combustibili successivi.

Produzione eolica e solare appresa (mlp, tcn, hybrid, *_multi)

Scopo:: Produzione eolica e solare della zona per il giorno dopo, da confrontare con la previsione del TSO.
Input:: Previsioni meteo del giorno prima per una città o più punti per zona (radiazione, vento a 10/100 m, temperatura, precipitazioni); hybrid aggiunge la forma della previsione del TSO.
Addestramento:: Reti quantiliche addestrate in walk-forward per trimestre solo su dati precedenti.
Valutazione:: Errore medio come quota della taglia del parco, abilità vs TSO, copertura all'80%, per zona.
Limiti:: Su tutte le zone insieme non battono ancora i TSO; dove il consuntivo pubblicato è a sua volta una stima, il test è segnalato come non equo.

Screening batterie

Scopo:: Ricavo per MW da arbitraggio del giorno prima e riserve per zona e anno; VAN, TIR e tempo di ritorno del progetto.
Input:: Prezzi del giorno prima, prezzi delle riserve Energinet (FCR-N, FCR-D, aFRR, mFRR), prezzi di sbilanciamento, quota catturata dalla previsione nel backtest.
Addestramento:: Programmazione dinamica giornaliera esatta con perdite e costo di usura; nessun parametro stimato.
Valutazione:: Valore a posteriori scalato per la quota effettivamente catturata dalle nostre previsioni.
Limiti:: Niente infragiornaliero, oneri di rete o imposte; i prezzi delle riserve baltiche sono un'ipotesi.

Modello di capture PPA

Scopo:: Capture rate ed esposizione ai prezzi negativi al crescere della penetrazione eolica o solare.
Input:: Prezzi orari, produzione misurata o prevista dal TSO e carico per zona e anno dal 2019.
Addestramento:: Minimi quadrati con intercette per zona e una pendenza comune per tecnologia.
Valutazione:: R² sulle zone-anno; proiezioni ancorate all'ultimo anno di ogni zona.
Limiti:: Lineare nella penetrazione; ignora nuovi accumuli e flessibilità della domanda che rallenterebbero il calo.

Scenari di sicurezza dell'approvvigionamento

Scopo:: Effetto sul prezzo di un anno secco ed esposizione ai guasti delle interconnessioni.
Input:: Livelli dei bacini, prezzi settimanali, flussi fisici e carico.
Addestramento:: Regressione settimanale con effetti mensili (anno secco); statistiche dei flussi (guasto).
Valutazione:: R² riportato con ogni risultato.
Limiti:: Non è una simulazione di mercato: niente ridispacciamento né margini di capacità.

Stime di screening da dati di mercato pubblicati, non consulenza sugli investimenti. Lo storico è retrospettivo; i dati futuri seguono le ipotesi indicate.