Predicting zonal partitions in the italian day-ahead market

This work addresses the problem of forecasting market partitions emerging from transmission congestion in the Italian day-ahead electricity market. When it is not possible to set a single national-level price because of transmission capacity constraints, the country splits into separate price areas forming a partition of the seven Italian bidding zones (North, Central-north, Central-south, South, Sardinia, Sicily, Calabria). Predicting such outcome is therefore essential for accurate price forecasting - a critical challenge for system operators and market participants. We compare two modeling approaches to the problem: a standard approach which treats it as an ordinary classification problem over all possible partitions, and an innovative approach that exploits the inherent topological structure by predicting the adjacency matrix of the undirected graph induced by the partition. In the latter, binary entries are jointly predicted by combining marginal classifiers (tree ensembles and neural networks) with multivariate copulas or chain-classifier methods. Using market data from 2022–2024, we evaluate performance using both standard and novel price-weighted metrics designed to capture the economic impact of topological errors. Results demonstrate the competitiveness of the graph-based approach.

Questo lavoro affronta il problema della previsione delle partizioni di mercato che emergono a seguito di congestioni nel Mercato del Giorno Prima italiano. Quando, a causa di vincoli di capacità sulle linee di trasmissione, non è possibile determinare un unico prezzo nazionale dell’energia elettrica, il Paese si suddivide in aree di prezzo distinte, generando una partizione delle sette zone italiane (Nord, Centro-Nord, Centro-Sud, Sud, Sardegna, Sicilia e Calabria). La previsione di tale configurazione risulta fondamentale per produrre stime di prezzo accurate, una sfida cruciale sia per i gestori del sistema elettrico sia per i partecipanti al mercato. Confrontiamo due strategie di modellazione: un approccio standard, che tratta il problema come una classificazione multicategoria delle possibili partizioni, e un approccio innovativo che sfrutta la struttura intrinseca del territorio prevedendo la matrice di adiacenza del grafo non orientato indotto dalla partizione. In quest’ultimo caso, variabili binarie vengono previste congiuntamente combinando classificatori marginali (ensemble di alberi decisionali e reti neurali) con copule multivariate o con metodi a catena. Utilizzando dati di mercato relativi al periodo 2022–2024, valutiamo le prestazioni dei modelli mediante metriche tradizionali e nuove metriche ponderate sui prezzi zonali, appositamente progettate per quantificare l’impatto economico degli errori di previsione. I risultati mostrano la competitività dell’approccio basato sul grafo.