A comparative review of electricity load forecasting method across temporal horizons

Accurate electricity load forecasting is a critical component of modern energy system planning and operation, particularly in the context of growing electrification, renewable energy integration, and demand-side flexibility. This thesis presents a structured review of forecasting methods across three key time horizons: short-term (up to 1 week), medium-term (1 week to 1 month), and long-term (beyond 1 month). Each category is examined with respect to its methodological strengths, limitations, and data requirements. Statistical models such as multiple linear regression and SARIMA are found to be effective for short-term forecasting due to their interpretability and low data demands. Machine learning approaches—including support vector regression and tree-based ensembles—offer improved flexibility for medium-term predictions. For long-term forecasting, deep learning models such as LSTM and Transformer-based architectures demonstrate superior performance in capturing complex temporal patterns. Hybrid models, combining elements from fuzzy systems, optimization techniques, and deep learning, achieve the highest accuracy but require significant data and computational resources. The thesis introduces a classification framework that aligns forecasting methods with time horizons and data availability scales—from household-level to national-level applications. Visual guides are provided to support model selection based on forecasting objectives and data conditions. The study concludes that no single model is universally optimal; effective forecasting requires context-sensitive method selection, balancing accuracy, interpretability, and resource constraints.

Una previsione accurata del carico elettrico è un elemento fondamentale nella pianificazione e nella gestione dei sistemi energetici moderni, soprattutto alla luce dell’elettrificazione crescente, dell’integrazione delle fonti rinnovabili e della flessibilità della domanda. Questa tesi propone una revisione strutturata dei principali metodi di previsione del carico elettrico, suddivisi in tre orizzonti temporali: breve termine (fino a 1 settimana), medio termine (da 1 settimana a 1 mese) e lungo termine (oltre 1 mese). Ogni categoria viene analizzata in relazione ai punti di forza, ai limiti metodologici e ai requisiti di dati. I modelli statistici, come la regressione lineare multipla e SARIMA, risultano adatti alla previsione a breve termine per la loro semplicità e bassa esigenza di dati. Le tecniche di machine learning, tra cui la regressione con support vectors o alberi decisionali, offrono maggiore flessibilità per previsioni a medio termine. Per previsioni a lungo termine, i modelli di deep learning come LSTM e le architetture basate su Transformer si distinguono per la capacità di modellare sequenze complesse nel tempo. I modelli ibridi—che combinano sistemi fuzzy, algoritmi di ottimizzazione e deep learning—raggiungono la massima accuratezza, ma richiedono una disponibilità significativa di dati e risorse computazionali. La tesi propone un quadro di classificazione che collega i metodi previsionali agli orizzonti temporali e ai livelli di disponibilità dei dati, da applicazioni domestiche fino a quelle a scala nazionale. Vengono forniti strumenti visivi per supportare la scelta del modello in base agli obiettivi previsionali e alle condizioni di disponibilità dei dati. Si conclude che non esiste un modello universalmente migliore: una previsione efficace richiede la scelta di metodi sensibili al contesto, che bilancino precisione, interpretabilità e risorse disponibili.