![\"\"](\"https:\/\/react2020.eu\/wp-content\/uploads\/sites\/5\/2022\/07\/image.png\")
<\/figure>\nI modelli di machine learning hanno parecchi parametri numerici che vengono aggiustati in base alla quantit\u00e0 di dati storici disponibili, cos\u00ec che le loro previsioni siano il pi\u00f9 possibile simili a quel che \u00e8 successo nel mondo reale. In altre parole, i modelli di machine learning possono ottenere importanti input per i parametri, estrarre da tali parametri informazioni di rilievo e fornire un output stimato. Per esempio, se volessimo stimare la produzione di solare fotovoltaico, il primo step sarebbe scegliere quali fattori influenzano la sua produzione. Il pi\u00f9 importante \u00e8 di sicuro la radiazione solare visto che, maggiore \u00e8 la radiazione, maggiore sar\u00e0 la produzione di energia fotovoltaica attesa. In aggiunta, una maggiore copertura nuvolosa potrebbe risultare in una produzione inferiore, e quindi anche questo elemento andrebbe considerato. Inoltre, anche la temperatura esterna influenza l\u2019efficienza dei pannelli fotovoltaici, visto che la loro efficienza aumenta all\u2019abbassarsi della temperatura. Una volta che tutti gli input rilevanti son stati selezionati per i vari parametri, la produzione attesa pu\u00f2 essere stimata sulla base di tali valori.<\/p>\n\n
Un simile approccio potrebbe essere portato avanti anche per le previsioni della domanda. Uno dei fattori pi\u00f9 comuni per la previsione del carico elettrico sono i parametri legati al tempo. Come gi\u00e0 menzionato in precedenza, \u00e8 comune che i picchi di domanda siano presenti al mattino presto e nel pomeriggio durante i giorni lavorativi, mentre la domanda \u00e8 notoriamente inferiore durante le ore lavorative o di notte. D\u2019altra parte, la forma della curva di carico durante i weekend o le vacanze cambia in modo significativo visto che un maggiore numero di utenti \u00e8 a casa. In modo simile, anche la stagionalit\u00e0 pu\u00f2 influenzare il consumo totale di energia. Per esempio, in climi freddi, a volte l\u2019energia elettrica viene usata in inverno per motivi di riscaldamento, mentre questo non \u00e8 il caso nei periodi estivi. Quindi, tutte queste conclusioni sono utilizzate durante la fase di design del modello machine learning, cos\u00ec che possa raggiungere il maggior livello di precisione possibile.<\/p>\n\n
Per riassumere, come illustrato nella seguente figura, i modelli di machine learning identificano quali sono i fattori pi\u00f9 importanti per la loro previsione e richiedono una grande quantit\u00e0 di corrispondenti dati storici. Quei dati vengono poi utilizzati da algoritmi specializzati che forniscono modelli ottimizzati capaci di calcolare previsioni precise.<\/p>\n\n
<\/p>\n\n
In questo articolo, abbiamo presentato alcune possibili applicazioni di machine learning in progetti del settore energetico ed abbiamo cercato di portare il concetto del machine learning alla portata degli utilizzatori finali. Tuttavia, il suo potenziale va oltre quanto presentato in questo contesto, per cui sapreste immaginare qualche altra applicazione dell\u2019intelligenza artificiale che potrebbe essere utile in futuro? <\/p>\n\n