L'apprendimento profondo ibrido guidato da SHAP migliora la previsione del carico di rete in condizioni meteorologiche estreme

Un recente preprint su arXiv (2604.23500) presenta un nuovo framework ensemble che utilizza intuizioni dalla fisica per migliorare le previsioni a breve termine del carico elettrico e rafforzare l'affidabilità della rete statunitense durante eventi meteorologici estremi. Questo modello innovativo combina una rete neurale convoluzionale (CNN) per catturare le caratteristiche locali con un Transformer per gestire le dipendenze a lungo raggio, riuniti attraverso un ensemble pesato attentamente ottimizzato tramite validazione. Per garantire un addestramento efficace, utilizza una loss basata sulla fisica che sfrutta la relazione temperatura-domanda specifica dell'Electric Reliability Council of Texas (ERCOT). Inoltre, impiega SHapley Additive exPlanations (SHAP) per l'interpretabilità, utilizzando dati provenienti da ERCOT e dalle stazioni Automated Surface Observing System (ASOS) dal 2018 al 2025.