Modelli di Machine Learning per la previsione dell’intensità di carbonio della rete elettrica in Europa

Abstract

L’intensità carbonica della generazione elettrica è un indicatore variabile nel tempo che riflette l’impatto ambientale del funzionamento dei sistemi elettrici. Nei sistemi con alta penetrazione di rinnovabili, essa presenta elevata volatilità, riducendo l’efficacia dei fattori di emissione statici. Mentre i prezzi dell’energia sono determinati in anticipo, la corrispondente Specific Carbon Intensity (SCI) non è generalmente nota durante la fase operativa. Questo gap informativo impedisce agli utenti della rete di allineare il proprio comportamento allo stato ambientale effettivo del sistema.

Questa tesi sviluppa e valuta un framework data-driven per la previsione day-ahead dell’intensità carbonica su diverse bidding zones europee. L’obiettivo è abilitare strategie di ottimizzazione e dispacciamento orientate alle emissioni. Prevedendo la SCI, i carichi flessibili possono essere spostati verso periodi a minori emissioni, supportando la decarbonizzazione e decisioni operative più consapevoli. Lo studio analizza inoltre la relazione tra prezzi dell’elettricità ed emissioni, valutando se i segnali di mercato possano rappresentare in modo affidabile l’impatto ambientale nei diversi contesti nazionali.

L’analisi confronta modelli di base con approcci di machine learning basati su Random Forest. I risultati mostrano un miglioramento significativo delle prestazioni predittive grazie alla capacità del modello di catturare relazioni non lineari e dinamiche temporali di breve periodo. Poiché prezzi ed emissioni non seguono sempre gli stessi andamenti, il modello fornisce una guida più affidabile rispetto al solo segnale di prezzo.

Nel complesso, modelli basati su un numero limitato di variabili osservabili possono fornire previsioni affidabili di breve termine dell’intensità carbonica dell’energia elettrica, risultando adatti ad applicazioni operative e orientate alle emissioni.

The carbon intensity of electricity generation is a time-varying indicator reflecting the environmental impact of power system operation. In systems with high renewable penetration, carbon intensity exhibits significant volatility, reducing the effectiveness of static emission factors. While electricity prices are determined in advance, the corresponding Specific Carbon Intensity (SCI) is typically unknown during operation. This information gap prevents grid users from aligning their behaviour with the system’s actual environmental state.

This thesis develops and evaluates a data-driven framework for day-ahead forecasting of electricity carbon intensity across several European bidding zones. The main objective is to enable emission-aware optimization and dispatching strategies. By predicting SCI, flexible loads can be shifted to lower-emission periods, supporting decarbonization and improving operational decision-making. The study also examines the relationship between electricity prices and emissions, assessing whether market signals can reliably reflect environmental impact across different contexts.

The analysis compares baseline approaches with Random Forest models. Results show that Random Forest significantly improves predictive performance by capturing nonlinear relationships and short-term temporal dynamics. Since prices and emissions do not always follow the same patterns, the model provides a more reliable guide for emission-aware decisions than price signals alone.

Overall, the findings indicate that machine learning models based on a limited set of observable system variables can provide reliable short-term forecasts of electricity carbon intensity, making them suitable for operational and emission-oriented applications.