Previsione dei consumi elettrici mediante tecniche di Deep Learning

Effettuare accurate previsioni sulla domanda di energia elettrica acquista un significato importante sia per le aziende del settore, permettendogli di attuare una gestione delle risorse più efficace, ma anche per i privati, consentendogli una migliore consapevolezza dei loro consumi abituali in modo da poterli ridurre. Il seguente elaborato riassume i risultati di uno studio svolto presso l’azienda Energy Software s.r.l. , che aveva l’obbiettivo di esplorare l’applicabilità di tecniche di Machine Learning e Deep Learning per potenziare i software prodotti e venduti ai clienti. Data la vastità del lavoro eseguito, nell’elaborato proposto viene illustrata solamente la parte relativa all’esplorazione delle principali (e più semplici) famiglie di architetture di Deep Learning al fine di prevedere i consumi elettrici di un’azienda campione. Inizialmente, nel capitolo 1 vengono fornite le nozioni di base della materia e delle architetture utilizzate. Verrà quindi spiegato il concetto di Rete Neurale Feed-Forward e la sua composizione, con un accenno sulle principali funzioni di attivazione e sulla Retropropagazione dell’errore. Verrà spiegato l’utilizzo di Dropout e Batch Normalization per poi passare alle Reti Neurali Convoluzionali con particolare enfasi sulle operazioni di Convoluzione e Pooling, in seguito si mostrano le Reti Neurali Ricorrenti soffermandosi su una loro variante ampiamente utilizzata, le reti Long Short-Term Memory. Come ultima parte del capitolo viene mostrato Temporal Convolutional Network, una particolare famiglia di Reti Neurali Convoluzionali. Nel capitolo 2 si spiega la composizione e il processamento dei dati utilizzati nella fase di addestramento, mentre nel capitolo 3 viene mostrata l’architettura e i risultati dei modelli proposti con un accenno sulle metriche di valutazione utilizzate e su Early Stopping