Forecasting by artificial intelligence in the energy industry : feature selection for prediction by artificial neural networks

Short-term data-driven forecasting is becoming essential in the energy sector. In the Big Data era, the challenge is a wise use of the potentially overwhelming volumes of information including thousands of monitored signals. In this context, the objective of the present thesis work is the prediction of factors connected to the production and to the distribution of energy, by using Artificial Intelligence (AI) methods. To this aim, we have developed a two steps framework based on: i) the selection of the best subset of input signals to be used as input to the prediction model (feature selection); ii) the construction of an AI model for short-term forecasting (prediction model). The feature selection task is performed by using a wrapper approach when the number of measured signals is lower than few hundreds and by an embedded approach when more signals are available. In particular, in the developed wrapper approach, the search of the optimal feature subset is performed by the Binary Differential Evolution algorithm, with the objective of maximising the prediction accuracy of an ensemble of Artificial Neural Networks (ANN) fed by the selected features. If the number of measured signals increases, the number of their possible combinations is so large that the BDE search becomes computationally unfeasible. Thus, an embedded approach based on the Least Absolute Shrinkage and Selection Operator (LASSO) algorithm is developed. Once the optimal set of signals is selected, AI models based on ensemble of ANNs are used for short term forecast. The proposed framework is applied to two industrial cases in the energy sector, concerning the prediction of: i) energy production from weather forecasts in wind plants; ii) gas flaring flowrate from plant signals in Oil&Gas treatment plants. The obtained results show that: i) the model developed for energy production prediction in wind plants is more accurate with respect to that currently used by the plant owner; ii) some of the selected signals of the Oil&Gas treatment plant are correlated to the flaring flowrate and the developed prediction model is also able to anticipate some of the flaring events.

Il tema delle previsioni a breve termine basate sui dati sta diventando cruciale nel settore energetico. Nell’era dei Big Data la sfida è un consapevole uso del volume di informazioni, potenzialmente travolgente, cosituito da migliaia di segnali monitorati. In questo contesto, l’obiettivo del presente lavoro di tesi è la predizione di fattori connessi alla produzione e alla distribuzione di energia, usando metodi di Intelligenza Artificiale (IA). A questo scopo, abbiamo sviluppato una struttura in due fasi basata su i) la selezione del miglior sottoinsieme di segnali in ingresso da utilizzare come input al modello predittivo (feature selection); ii) la costruzione di un modello di IA per la previsione a breve termine (modello predittivo). La selezione delle feature viene eseguita utilizzando un approccio wrapper quando il numero di segnali misurati è inferiore a poche centinaia e un approccio embedded quando più segnali sono disponibili. In particolare, nell'approccio wrapper sviluppato, la ricerca del sottoinsieme di caratteristiche ottimali viene eseguita dall'algoritmo Binary Differential Evolution, con l'obiettivo di massimizzare l'accuratezza di previsione di un ensemble di Reti Neurali (ANN) alimentate dalle feature selezionate. Se il numero di segnali misurati aumenta, le loro possibili combinazioni sono così numerose che la ricerca BDE diventa computazionalmente gravosa. Quindi, viene sviluppato un approccio embedded basato sull'algoritmo Least Absolute Shrinkage and Selection Operator (LASSO). Una volta selezionato l'insieme ottimale di segnali, per le previsioni vengono utilizzati modelli di IA basati su ensemble di ANN. La struttura proposta si applica a due casi industriali nel settore energetico, riguardanti la previsione di: i) produzione di energia da previsioni meteorologiche in impianti eolici; ii) portata di gas flaring da segnali in impianti di trattamento Oil&Gas. I risultati ottenuti mostrano che: i) il modello sviluppato per la previsione della produzione di energia negli impianti eolici è più accurato rispetto a quello attualmente utilizzato dal proprietario dell'impianto; ii) alcuni dei segnali selezionati per l'impianto di trattamento Oil&Gas sono correlati alla portata del flaring e il modello predittivo sviluppato è in grado di anticipare alcuni degli eventi di flaring.