Cosa si intende per foundation model energetico
Nella comunità del machine learning, un foundation model è un modello addestrato su una quantità massiva di dati eterogenei, capace di adattarsi a task specifici con poche istanze di addestramento aggiuntivo — o nessuna, nel caso zero-shot. Il paradigma è lo stesso che ha portato GPT da generatore di testo a strumento universale di ragionamento.
Applicato all'energia, il concetto diventa preciso: si pre-addestrano modelli su miliardi di punti temporali provenienti da fonti diverse — curve di carico nazionali, serie di prezzo PUN, profili di generazione fotovoltaica ed eolica, temperature orarie, dati di consumo industriale aggregato. Il modello impara la struttura latente del sistema energetico senza supervision esplicita su task specifici. Poi, con fine-tuning su dati locali o in modalità zero-shot, viene applicato a previsione di domanda, rilevamento di anomalie, ottimizzazione dello scheduling.
I modelli rilevanti nel 2024-2026
Il campo si è mosso rapidamente. TimesFM (Google DeepMind, 2024) è un decoder-only Transformer pre-addestrato su 100 miliardi di punti temporali da fonti pubbliche eterogenee. Fornisce performance competitive in zero-shot su serie di 512-1024 punti, senza richiedere dati di training locali. Chronos (Amazon, open-source) segue un approccio diverso: quantizza le serie temporali in token discreti e usa un'architettura analoga a T5. Il vantaggio è la rilasciabilità open-source — deployabile on-premise senza dipendere da API cloud.
Moirai (Salesforce, 2024) introduce la gestione nativa di frequenze multiple nella stessa architettura: può ricevere in input serie orarie, giornaliere e settimanali nello stesso forward pass, rilevante per sistemi che aggregano dati di telemetria a granularità diverse. UniTS (2025) spinge verso un'architettura truly universal, con attention cross-series che modella esplicitamente le correlazioni tra load, prezzo e generazione come serie distinte ma interdipendenti.
Come funzionano: tokenizzazione delle serie temporali
L'approccio dominante è il PatchTST: la serie temporale viene segmentata in patch di N punti (tipicamente 16-32 ore di dati orari), ogni patch viene embedded in uno spazio vettoriale denso, e l'attention mechanism del Transformer modella le dipendenze tra patch. Rispetto all'encoding punto per punto, le patch riducono la sequenza di un ordine di grandezza, rendendo computazionalmente trattabile l'attention su orizzonti lunghi.
La tokenizzazione del valore di load o di generazione non è banale: bisogna decidere se lavorare su valori assoluti, normalizzati per picco storico, o trasformati logaritmicamente. La scelta impatta la capacità del modello di generalizzare tra impianti con scale diverse.
Confronto con i precedenti
| Approccio | Zero-shot | Multi-variato | Stagionalità multipla | Dato richiesto |
|---|---|---|---|---|
| ARIMA/SARIMA | No | No | Limitata | Basso |
| LSTM | No | Sì (con sforzo) | Sì | Alto |
| Prophet | No | Limitato | Sì | Basso |
| Foundation model | Sì | Sì (nativo) | Sì | Zero per inference |
ARIMA è tecnicamente rigoroso su serie stazionarie brevi ma non gestisce la stagionalità multipla tipica del consumo energetico (giornaliera + settimanale + annuale). Le reti LSTM richiedono dataset etichettati sostanziali per ogni nuovo impianto — un problema per chi gestisce un portafoglio eterogeneo. Il foundation model consente di ottenere una baseline competitiva senza dati storici locali, e di migliorarla con fine-tuning progressivo man mano che i dati si accumulano.
Il vero collo di bottiglia non è la latenza di inference
Una confusione frequente riguarda il requisito prestazionale per il mercato intraday. Il MGP (Mercato del Giorno Prima) chiude a D-1 ore 12:00; il MI (Mercato Infragiornaliero) ha sessioni che si chiudono fino a D-1 ore 18:00. In questo contesto, la latenza di inference di un foundation model — tipicamente 200-800ms per una previsione oraria su 24h — non è il collo di bottiglia.
Il vero problema è a monte: la qualità, la completezza e la coerenza dei dati in input. Un modello eccellente alimentato con dati di telemetria intermittenti, timestamp disallineati tra inverter e misuratori, o misure di irraggiamento da stazioni meteo lontane 50km dall'impianto produce previsioni inutilizzabili. La pipeline di data quality è più critica dell'architettura del modello.
Il vantaggio competitivo del 2027-2028
Il differenziale strutturale che si sta costruendo oggi non è nell'accesso ai modelli pubblici — TimesFM e Chronos sono open source e accessibili a tutti. Il vantaggio sarà nel dataset proprietario su cui eseguire il fine-tuning. Un foundation model fine-tuned su dati di produzione reale da 50 impianti FV nel nord Italia, con le loro specifiche caratteristiche meteorologiche, le loro anomalie già osservate, i loro profili di consumo locali, è strutturalmente superiore allo stesso modello in zero-shot.
Chi accumula dati operativi puliti e strutturati oggi ha un vantaggio che nel 2027-2028 si tradurrà in accuratezza di previsione superiore, ottimizzazione dello scheduling più precisa, e capacità di rilevamento anomalie più rapido.
Solaria ha avviato la raccolta sistematica di dati di produzione oraria, telemetrie inverter e profili di carico su tutti gli impianti gestiti. Il dataset cresce ogni giorno — chi ha dati reali oggi avrà modelli superiori domani.
