Enea propone metodologia per aumentare del 3,7-6,9% accuratezza delle previsioni della produzione FV

pv magazine Italia ha sentito Amedeo Buonanno, ricercatore del laboratorio Smart grid e reti energetiche di Enea, per capire meglio come funzioni il metodo pubblicato sulla rivista Energies, che integra i modelli meteorologici che stimano la produzione di energia fotovoltaica con un algoritmo di apprendimento automatico. Questo per affinare la previsione della produzione di energia fotovoltaica.

pv magazine: Avete abbinato modelli meteorologici che stimano la produzione di energia fotovoltaica a un algoritmo di apprendimento automatico (machine learning) che integra i dati storici di generazione, incrementando così l’accuratezza della previsione. Possibile andare più nel dettaglio?

Amedeo Buonanno: L’approccio presuppone la presenza di un sistema preesistente di previsione della produzione fotovoltaica e la disponibilità di dati di produzione osservati nelle 48 ore precedenti. Queste informazioni sono utilizzate da un modello di Machine Learning (ML) che le integra, migliorando la previsione finale. I modelli ML valutati sono: regressione lineare, Long Short-Term Memory (LSTM), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM).

Abbiamo considerato due possibili approcci preesistenti di previsione della produzione fotovoltaica, basati entrambi sulle previsioni meteorologiche:

BaselineP: utilizza le previsioni meteorologiche (radiazione solare globale sul piano orizzontale al suolo (GHI) e temperatura ambiente) e un modello matematico dell’impianto considerato
BaselineD: utilizza le osservazioni della produzione fotovoltaica e della radiazione solare globale sul piano orizzontale al suolo (GHI) per il giorno precedente così da ottenere il legame tra queste due grandezze. Tale relazione è poi utilizzata per ottenere la previsione della produzione per il giorno successivo, a partire dalle previsioni della GHI

Quali modelli meteo avete usato?

È stato impiegato il modello Weather Research and Forecasting (WRF), configurato con una risoluzione spaziale di 10 km x 10 km su 151 x 151 punti, coprendo l’intera penisola italiana. Tramite il WRF è possibile ottenere previsioni meteorologiche come la temperatura ambiente e la radiazione globale orizzontale al suolo (GHI).

Quali sono le novità rispetto a simili approcci già sperimentati?

L’innovazione dell’approccio risiede principalmente nella combinazione di modelli preesistenti di previsione e di modelli di ML. Questo approccio consente al modello ML di affinare la previsione senza accedere direttamente alle variabili meteorologiche, ma sfruttando una previsione già presente e perfezionandola con i dati osservati di produzione fotovoltaica. La metodologia è inoltre molto flessibile, e adattabile a molteplici contesti operativi.

Possibile presentare una misura numerica dell’aumento della capacità predittiva del nuovo strumento?

Considerando il Root Mean Square Error (RMSE) della previsione di produzione fotovoltaica come misura dell’errore, utilizzando l’approccio combinato con il modello lineare come algoritmo di ML impiegato, si osserva un miglioramento medio dell’accuratezza di previsione del 6,9% partendo da un modello BaselineP e del 3,7% partendo da un modello BaselineD.

Quanto tempo è necessario per addestrare i nuovi modelli predittivi?

Una volta che si hanno a disposizione almeno 1 anno di dati osservati di produzione fotovoltaica e di previsione di produzione fotovoltaica con il modello preesistente, è possibile effettuare l’allenamento dei modelli predittivi combinati. Nonostante vi sia differenza in termini di tempo richiesto per l’allenamento dei diversi modelli testati, il modello lineare che ha mostrato, nel caso specifico, i risultati mediamente migliori, richiede meno di 1 minuto per l’allenamento.

Chi e come può usare questo strumento?

La metodologia può essere utilizzata per prevedere la produzione di impianti fotovoltaici di diverse dimensioni (anche quelli di piccola taglia). Questo strumento è utilizzabile da gestori di microgrid, da gestori di comunità energetiche, ma anche da utenti finali.

È però necessario un sistema preesistente di previsione della produzione fotovoltaica dell’impianto considerato (ad esempio BaselineP o BaselineD) e un sistema che misuri la potenza generata.

Per la fase di allenamento è, inoltre, necessario:

lo storico della previsione di produzione fotovoltaica dell’impianto considerato (almeno 1 anno)
lo storico della produzione fotovoltaica osservata dell’impianto considerato (almeno 1 anno)

Solo in Italia?

La metodologia è generale e risulta, quindi, applicabile, con le opportune modifiche e adattamenti, ovunque. Fermo restando quanto descritto precedentemente in termini di requisiti.

Altre considerazioni?

Il metodo mostra di essere efficace anche con una quantità ridotta di dati (solo 1 anno di dati a disposizione) risultando, quindi, adatto a impianti di recente installazione o con storici limitati. L’integrazione di anni supplementari potrebbe permettere l’uso di modelli ML più complessi, migliorando l’accuratezza predittiva e la capacità del sistema di affrontare variabilità climatiche su scala stagionale o pluriennale.

I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.