BASELINE PER UTENTI E PROSUMER PER I MERCATI LOCALI DELLA FLESSIBILITÀ: UN CONFRONTO TRA TECNICHE TRADIZIONALI E DI MACHINE LEARNING APPLICATE AI DATI DEI CONTATORI INTELLIGENTI

The increasing complexity of electrical distribution networks, driven by the integration of renewable energy sources and the widespread deployment of distributed energy resources, has envisaged the deployment of new mechanisms, such as the acquisition of the flexibility services through local energy markets. These emerging local flexibility markets are considered as a complementary solution to traditional energy markets, enabling Distribution System Operators (DSOs) to enhance operational efficiency and alleviate network congestion. In this context, Milan’s Network Develops Flexibility (MiNDFlex) project represents a pilot initiative aimed at establishing a local flexibility market in the Milan’s area. In this regard, a key component of MiNDFlex is the baseline calculation, which is essential for both DSOs and Balancing Service Providers (BSPs) for estimating the expected energy consumption or generation of a Flexibility Providing Unit (FPU) in the absence of flexibility activation. Indeed, the baseline identification serves as the foundation for both the quantification and remuneration of provided flexibility services. This work critically examines the current methodologies for different baseline algorithms, assessing their accuracy and robustness in relation to the requirements of local flexibility markets; a comparative analysis is conducted between different approaches, ranging from traditional persistence-based methods to advanced machine-learning techniques, applied to real-world data collected from 2G smart meters in Milan and Brescia. The study considers three distinct user categories: passive residential consumers, active residential prosumers (with photovoltaic generation), and non-residential consumers, classified by their ATECO sector codes. In addition, this study focuses on how the baseline estimation can be extended to reactive power, analyzing the power factor profiles across different time bands (F1, F2, F3) to enable in the future reactive power ancillary services. The findings highlight how advanced models, such as the Random Forest Regression, achieve greater accuracy in the baseline estimation compared to other more traditional methods (e.g., the persistence). These results provide valuable insights for optimizing the baseline calculation process, contributing to improved reliability in local flexibility markets and supporting more effective management of distributed energy resources. Keywords: Local flexibility markets, MiNDFlex, Baseline, Persistence, Machine-Learning, Random Forest Regression, Distribution networks, Smart meters.

L'aumento della complessità delle reti di distribuzione elettrica, guidato dall'integrazione delle fonti di energia rinnovabile e dalla diffusione su larga scala delle risorse energetiche distribuite, ha reso necessario lo sviluppo di nuovi meccanismi, come l'acquisizione di servizi di flessibilità attraverso mercati energetici locali. Questi emergenti mercati di flessibilità locale sono considerati una soluzione complementare ai mercati energetici tradizionali, consentendo ai Gestori dei Sistemi di Distribuzione (DSO) di migliorare l'efficienza operativa e ridurre la congestione della rete. In questo contesto, il progetto Milan’s Network Develops Flexibility (MiNDFlex) rappresenta un'iniziativa pilota volta a istituire un mercato di flessibilità locale nell'area di Milano. Un elemento chiave di MiNDFlex è il calcolo del baseline, fondamentale sia per i DSO che per i Balancing Service Provider (BSP) per stimare il consumo o la generazione di energia attesa di un'Unità Fornitrice di Flessibilità (FPU) in assenza di attivazione della flessibilità. Infatti, l'identificazione del baseline costituisce la base per la quantificazione e la remunerazione dei servizi di flessibilità forniti. Questo lavoro analizza criticamente le metodologie attuali per diversi algoritmi di baseline, valutandone l'accuratezza e la robustezza in relazione ai requisiti dei mercati di flessibilità locale. Viene condotta un'analisi comparativa tra diversi approcci, che spaziano dai metodi tradizionali basati sulla persistenza a tecniche avanzate di machine learning, applicati a dati reali raccolti dai contatori intelligenti di seconda generazione (2G) nelle città di Milano e Brescia. Lo studio considera tre categorie distinte di utenti: consumatori residenziali passivi, prosumer residenziali attivi (dotati di impianti fotovoltaici) e consumatori non residenziali, classificati in base ai codici ATECO. Inoltre, lo studio esplora come la stima del baseline possa essere estesa alla potenza reattiva, analizzando i profili del fattore di potenza nelle diverse fasce orarie (F1, F2, F3), al fine di abilitare in futuro servizi ancillari legati alla potenza reattiva. I risultati evidenziano come i modelli avanzati, come la Random Forest Regression, raggiungano una maggiore accuratezza nella stima del baseline rispetto a metodi più tradizionali (es. la persistenza). Questi risultati forniscono preziose indicazioni per l'ottimizzazione del processo di calcolo del baseline, contribuendo a migliorare l'affidabilità dei mercati di flessibilità locale e supportando una gestione più efficace delle risorse energetiche distribuite. Parole chiave: Mercati locali di flessibilità, MiNDFlex, Baseline, Persistenza, Machine-Learning, Random Forest Rgeression, Reti di distribuzione, Smart meter.