Modelli classici e di machine learning per la previsione della domanda termica e loro applicazione a una centrale cogenerativa

The Bolgiano cogeneration plant is designed for the production of thermal and power energy to meet the energy needs of Eni offices and the municipalities of Peschiera Borromeo, San Donato Milanese, and Rogoredo. The power plant's optimization aims at regulating energy production with a focus on thermal energy, which requires a continuous balance between energy production and its demand. While power is a source of income and appears in the objective function of the optimization problem, thermal energy appears among the many constraints and for this reason must be predicted. The objective of this work is to predict the hourly amount of thermal energy required for the "day-ahead", that is for the following day. To achieve this goal, an in-depth time series analysis of thermal energy produced over the past three years was conducted. The objective was to identify trend, seasonality and exploring key features influencing the prediction of thermal energy demand. In order to obtain the thermal energy forecast for the day ahead, classical statistical models and machine learning algorithms were used. Specifically, techniques such as Linear Regression, Support Vector Regression, Clustering, and specific approaches for time series such as Autoregressive models have been employed. This work starts providing a general introduction to the problem (Chapter 1) and a description of the operation and dynamics of thermal energy production in the Bolgiano plant (Chapter 2). Chapter 3 offers a detailed analysis of the time series used. In Chapter 4, fundamental theoretical concepts of the models used are presented, outlining the theoretical foundations on which the methodological approach is based. Finally, Chapter 5 provides a comprehensive comparison of results obtained from different models, offering a critical evaluation of performance and highlighting how the combination of various models improves predictive performance.

La centrale cogenerativa di Bolgiano è destinata alla produzione di energia termica ed elettrica per soddisfare il fabbisogno energetico degli uffici Eni e dei comuni di Peschiera Borromeo, San Donato Milanese e del quartiere Rogoredo di Milano. L'ottimizzazione della produzione energetica, con particolare attenzione alla conseguente regolazione dell'energia termica, è di vitale importanza e necessita di un equilibrio continuo. Fra i tanti vincoli del problema di ottimizzazione della centrale si trova la necessità di un bilanciamento costante tra la produzione termica e la relativa domanda. L'obiettivo di questo elaborato è predire la quantità di energia termica oraria richiesta per il "day-ahead", ovvero per il giorno successivo. Lo studio si focalizza sull'integrazione di modelli di statistica classica e algoritmi di machine learning. In particolare, sono state utilizzate tecniche come Linear Regression, Support Vector Regression, Clustering e approcci specifici per le serie temporali come modelli Autoregressivi. Il seguente elaborato di tesi presenta un'introduzione generale al problema, seguita dal Capitolo 2 che descrive il funzionamento e le dinamiche di produzione di energia termica nella centrale di Bolgiano. Il Capitolo 3 fornisce un'analisi dettagliata delle serie temporali utilizzate, esplorando le caratteristiche chiave che influenzano la predizione della domanda di energia termica, con un focus sulle periodicità degli ultimi tre anni. Nel Capitolo 4, vengono esposti i concetti teorici fondamentali dei modelli utilizzati, delineando le basi teoriche su cui si fonda l'approccio metodologico. Il Capitolo 5 offre una comparazione approfondita dei risultati ottenuti dai diversi modelli, fornendo una valutazione critica delle performance, evidenziando come la combinazione di diversi modelli migliori le performance predittive.