A fast net-load probabilistic forecast with Kalman filter: an application to the Covid period in Great Britain

Electric net-load forecasting has become increasingly valuable to power system operators for balancing the electrical grid, particularly with the growth of embedded generation from renewable sources like wind and solar, which introduce additional complexity to the system. Moreover, events such as the Covid-19 pandemic, which caused significant disruptions in demand patterns, highlighted the need for advanced models able to capture sudden changes in the data. This study addresses these challenges through two main approaches. First, we consider a previously introduced Generalized Additive Model (GAM) and its Kalman filter adaptation, which allows to continuously incorporate new data and rapidly adapt to abrupt changes. The major challenge with this model is hyperparameter selection, as existing algorithms require high computational costs when processing large datasets. To address this, we propose a hyperparameter selection method, named Reduced Grid Search method, which significantly reduces computational complexity. In second place, we develop a linear regression model to forecast differenced net-load, leveraging insights from seasonal and autocorrelation analyses. Additionally, we provide an adaptive variant of this model, employing once again the Kalman filter. These models are used to forecast regional net-load in Great Britain. Despite its simplicity, the linear model significantly improves the forecasting accuracy of the GAM model. Furthermore, its adaptive variant, whose hyperparameters are efficiently selected using the Reduced Grid Search method, consistently outperforms all the other models, as indicated by aggregate performance metrics across all regions.

La previsione del prelievo netto di elettricità è diventata sempre più importante per il bilanciamento della rete elettrica, in particolar modo con l'aumento della produzione integrata di elettricità da fonti rinnovabili, come l'eolico e il solare, che hanno introdotto ulteriore complessità nel sistema. Inoltre, eventi come la pandemia di Covid-19, caratterizzata da forti cambiamenti nei consumi di elettricità, hanno evidenziato la necessità di modelli avanzati in grado di adattarsi rapidamente a variazioni improvvise nei dati. Questa tesi affronta queste sfide seguendo due diversi approcci. In primo luogo, consideriamo un Modello Additivo Generalizzato (GAM), precedentemente introdotto, e il suo adattamento con il filtro di Kalman che consente di integrare continuamente nuovi dati e quindi di adattarsi rapidamente a cambiamenti improvvisi. La sfida principale di questo modello consiste nella selezione degli iperparametri, poiché gli algoritmi esistenti richiedono alti costi computazionali per elaborare grandi set di dati. Per far fronte a questo problema, proponiamo un metodo di selezione degli iperparametri, denominato Reduced Grid Search, che riduce significativamente la complessità computazionale. In secondo luogo, sviluppiamo un modello di regressione lineare per prevedere il prelievo netto differenziato, sfruttando le intuizioni derivanti da analisi di stagionalità ed autocorrelazione condotte. Inoltre, forniamo una variante adattativa di questo modello, utilizzando nuovamente il filtro di Kalman. Questi modelli sono applicati alla previsione del prelievo netto regionale in Gran Bretagna. Nonostante la sua semplicità, il modello lineare migliora significativamente l'accuratezza delle previsioni rispetto al modello GAM. Inoltre, la sua variante adattativa, i cui iperparametri sono selezionati in modo efficiente utilizzando il metodo Reduced Grid Search, migliora costantemente l'accuratezza di tutti gli altri modelli, come indicato dalle metriche di valutazione aggregate su tutte le regioni.