Il problema del forecasting energetico
La domanda di energia non è una serie temporale generica. È il prodotto di almeno cinque segnali sovrapposti: il ciclo circadiano (valle notturna, doppia punta mattino e sera), il ciclo settimanale (weekend industriale vs weekday), la stagionalità annuale (climatizzazione estiva e invernale), gli eventi discontinui (festività, shutdown industriali, eventi climatici estremi), e i driver strutturali lenti (efficientamento energetico, elettrificazione dei processi, penetrazione del veicolo elettrico).
Un modello che cattura solo i primi tre segnali e ignora gli ultimi due è un modello che funziona bene in condizioni normali e fallisce esattamente quando le previsioni sono più critiche — nei giorni ad alta variabilità, nei picchi da ondata di calore, nei cali da Ferragosto industriale.
ARIMA e LSTM: dove funzionano e dove non arrivano
ARIMA (AutoRegressive Integrated Moving Average) e la sua estensione stagionale SARIMA sono stati lo standard del settore per decenni. La loro virtù è l'interpretabilità: ogni parametro ha un significato statistico preciso, i residui sono analizzabili, la stazionarietà è verificabile con test formali (ADF, KPSS). Funzionano bene su serie relativamente stazionarie con stagionalità regolare. Il limite è strutturale: sono modelli univariati che incorporano regressori esogeni con difficoltà, non gestiscono bene la stagionalità multipla simultanea, e richiedono re-fitting esplicito quando la distribuzione dei dati cambia.
Le reti LSTM (Long Short-Term Memory) superano alcune di queste limitazioni: catturano dipendenze non lineari su sequenze lunghe, integrano facilmente regressori multipli, e con architetture Encoder-Decoder gestiscono previsioni multi-step. Il problema è il costo di addestramento: richiedono dataset etichettati sostanziali per ogni nuovo profilo di consumo, sono fragili di fronte a distributional shift — cioè quando la distribuzione dei dati di test diverge da quella di training. La crisi energetica del 2022 (PUN medio triplicato rispetto al 2021) e i lockdown 2020-2021 hanno reso inutilizzabili molti modelli LSTM che non erano stati ri-addestrati su queste condizioni.
L'AI agent con tool-use: architettura
Il paradigma emergente nel 2024-2026 è l'AI agent con tool-use, costruito sul protocollo MCP (Model Context Protocol). L'idea è semplice nella sua struttura: un LLM con capacità di ragionamento viene equipaggiato con un insieme di strumenti che può invocare autonomamente, osservarne l'output, e integrarlo nel suo processo decisionale.
Per il forecasting energetico, l'agent chiama in sequenza — o in parallelo dove possibile — quattro tool specifici:
Tool meteo: interroga un servizio di previsioni meteorologiche per il sito dell'impianto, restituendo irraggiamento previsto ora per ora, temperatura, velocità del vento, copertura nuvolosa. Rilevante sia per la previsione di generazione FV/eolica sia per la stima del carico da climatizzazione.
Tool calendario: verifica se il giorno target è un giorno lavorativo, una festività nazionale (incluse quelle locali — il 4 novembre in Veneto è diverso dal 4 novembre in Sicilia), un ponte, un periodo di shutdown industriale programmato. Queste informazioni sono strutturalmente non catturabili da una serie temporale che non le ha mai viste.
Tool storico: recupera la serie temporale degli ultimi 12 mesi per la specifica unità di misura (carico dello stabilimento, produzione dell'impianto, prezzo zonale), con granularità oraria e filtro per giorni con caratteristiche simili (stesso giorno della settimana, stesso mese, condizioni meteo comparabili).
Tool prezzi: recupera il prezzo MGP delle ultime 48 ore e le previsioni di prezzo implicite negli strumenti derivati energetici disponibili. Per un consumatore industriale con contratto indicizzato, il prezzo previsto influenza le decisioni di shift dei carichi.
Pattern ReAct: reasoning e acting integrati
L'architettura sottostante è il pattern ReAct (Reasoning + Acting): il modello non esegue i tool calls in modo fisso, ma ragiona su cosa fare, chiama un tool, osserva il risultato, ragiona di nuovo tenendo conto di quanto appreso, e prosegue. Il loop continua fino alla previsione finale.
Questo significa che l'agent può adattare il proprio comportamento al contesto: se il tool meteo restituisce un'allerta per temporale nelle ore 14-17, l'agent interroga lo storico filtrando specificamente per giorni con temporali pomeridiani, invece di usare lo storico generico. Se il tool calendario segnala che domani è il giorno dopo Ferragosto (primo giorno di rientro degli industriali), l'agent usa un sottoinsieme di dati storici calibrato su quella specifica ricorrenza.
Benchmark su dati reali
Il confronto su sei mesi di hold-out (luglio-dicembre 2025) su tre profili di consumo industriale di dimensione comparabile (500-800 MWh/mese):
| Modello | MAE (MWh/ora) | MAPE | Note |
|---|---|---|---|
| SARIMA (baseline) | 18.4 | 12.3% | Nessun regressore esogeno |
| LSTM custom | 13.2 | 8.8% | 2 anni di training data |
| AI agent con tool-use | 9.1 | 6.1% | Zero training specifico |
La riduzione di errore dell'AI agent rispetto a SARIMA è del 50% sul MAE. Rispetto all'LSTM custom, che aveva accesso a due anni di dati di training specifici, la riduzione è del 31% — con zero addestramento sul profilo di consumo target.
Il vantaggio cresce al crescere della complessità del profilo: per consumi industriali con forte stagionalità (produzione di vetro, acciaierie, industria chimica), il differenziale arriva al 40-50% vs SARIMA. Per consumi residenziali aggregati con profilo più regolare, il vantaggio si riduce al 15-25%.
Sicurezza e human-in-the-loop
Un AI agent che produce previsioni di consumo usate per la partecipazione al MSD (Mercato dei Servizi di Dispacciamento) deve essere progettato con un meccanismo esplicito di human-in-the-loop per le offerte superiori a una soglia definita. Non per ragioni di performance — ma per ragioni di sicurezza operativa: un'offerta errata sul MSD può generare squilibri con costi significativi.
La cybersecurity del sistema di controllo che riceve le previsioni dell'agent è disciplinata da IEC 62443 (Industrial Automation and Control Systems Security), lo standard di riferimento per la sicurezza OT. L'integrazione tra AI agent e SCADA o sistema di controllo dell'impianto deve rispettare la segmentazione di rete e i requisiti di autenticazione previsti dallo standard.
Il forecasting Solaria non usa solo dati meteorologici pubblici — usa i dati di produzione reale degli impianti, le anomalie già osservate, i profili di consumo dei clienti con le loro specificità industriali. Un AI agent con contesto proprietario è strutturalmente superiore a un modello generale addestrato su dati pubblici, perché conosce il comportamento effettivo di quell'impianto in quelle condizioni specifiche.
