Previsioni della generazione da fotovoltaico sempre più accurate grazie all’intelligenza artificiale: è il risultato ottenuto da un gruppo di ricercatori Enea che ha pubblicato in proposito uno studio sulla rivista scientifica Energies (link in basso).
Come si legge nell’abstract, sono stati indagati i potenziali benefici di un approccio di apprendimento automatico sulle previsioni della produzione fotovoltaica provenienti da modelli meteorologici.
Ciò è avvenuto attraverso diversi metodi di machine learning (modello lineare, Long Short-Term Memory, eXtreme Gradient Boosting e Light Gradient Boosting Machine). Tra questi, i modelli lineari hanno dimostrato di essere i più efficaci con un miglioramento di almeno il 3,7% della deviazione standard della previsione, cioè della differenza tra valori previsti e valori osservati.
L’analisi condotta mostra come i modelli di apprendimento automatico possano essere utilizzati per perfezionare la prestazione di un modello di previsione già stabilito e sottolinea l’efficacia dei modelli lineari, anche quando ci sono pochi dati pregressi, come nel caso di impianti di recente costituzione.
“Abbiamo dimostrato l’efficacia del nostro approccio utilizzando i dati reali di produzione di un impianto fotovoltaico situato presso il Centro Ricerche Enea di Portici, a Napoli, dimostrando un netto miglioramento nella precisione delle previsioni di produzione fotovoltaica”, spiega il coautore dello studio Amedeo Buonanno, ricercatore del Laboratorio Enea Smart grid e reti energetiche presso il Dipartimento Tecnologie energetiche e fonti rinnovabili.
“Si tratta – aggiunge – di un aspetto cruciale per limitare squilibri nella rete elettrica, per ottimizzare il funzionamento delle risorse di generazione, carico e stoccaggio e per ridurre i costi operativi”,
Per raggiungere questo risultato, come detto, i modelli meteorologici che stimano la produzione di energia fotovoltaica sono stati abbinati a un algoritmo di machine learning che integra i dati storici di generazione, incrementando così l’accuratezza della previsione.
“L’approccio che proponiamo si adatta efficacemente a impianti solari di diverse dimensioni, compresi quelli di piccola taglia installati nei condomini. Per questi ultimi è possibile sviluppare un modello di previsione iniziale basato sulle caratteristiche tecniche dell’impianto, come potenza nominale e orientazione dei pannelli, che può essere successivamente perfezionato mediante tecniche di machine learning e utilizzo di dati storici di generazione.”
“Una volta addestrati – prosegue Buonanno – i modelli che hanno mostrato i migliori risultati richiedono risorse computazionali relativamente limitate per generare previsioni accurate. Questa caratteristica ne facilita l’implementazione, ampliando considerevolmente le possibilità di applicazione pratica in diversi contesti operativi”.
Lo studio Enea si inserisce all’interno del progetto MISSION che mira a sviluppare innovativi sistemi energetici integrati, ottimizzando la convergenza tra diverse fonti (rinnovabili e convenzionali) e vettori (elettrico e termico).
“Attraverso una gestione intelligente e coordinata, basata sull’analisi della domanda e sulle previsioni di produzione, il progetto si propone di massimizzare l’efficienza complessiva e di migliorare la gestione operativa delle microreti energetiche, uno dei modelli più promettenti di trasformazione del sistema elettrico, accelerando così la transizione verso un futuro energetico più sostenibile”, conclude Maria Valenti, responsabile del Laboratorio Enea Smart Grid e Reti Energetiche e referente del progetto MISSION.
