• Forecasting
• Machine Learning
• PV Power Production

Questo lavoro affronta il problema dell’integrazione delle fonti rinnovabili non programmabili nel contesto di un sistema energetico complesso, in particolare dell’integrazione degli impianti fotovoltaici (PV). La conversione di energia dei sistemi fotovoltaici è fortemente legata alle condizioni metereologiche. Questa dipendenza crea una notevole aleatorietà nella produzione di potenza, anche in corrispondenza di periodi stagionali ben definiti. Ciò comporta criticità nella gestione del sistema elettrico, inefficienze di sistema e limita i vantaggi legati allo sfruttamento dell’ energia solare.
La previsione della potenza generata(forecasting) rappresenta uno delle metodologie di lavoro innovative per ottenere una maggiore integrazione degli impianti basati sulle fonti rinnovabili ed in particolare degli impianti PV. Essa è inevitabilmente legata alle variabili di forecast meteorologico, principalmente la radiazione solare. La conseguenza è, che l’errore commesso sulla previsione di potenza presenta una componente dovuta alla propagazione dell’errore commesso dai modelli di previsione meteo. La disponibilità di serie storiche permette, oltre alla limitazione dell’errore introdotto con le variabili di forecast, l’addestramento di modelli di previsione. Tali modelli, inferendo la correlazione tra ingresso (variabili di forecast, angoli solari etc.) ed uscita (potenza generata) che minimizza l’errore sui dati storici, modellizzano la produzione di un impianto o gruppi di impianti PV.
Lo studio effettuato in questa tesi ha analizzato il problema con riferimento ad un gruppo di 32 impianti PV, disposti su tutto il territorio italiano, di taglia variabile tra decine di kW e 10 MW. Gli impianti analizzati presentano varie tecnologie di celle fotovoltaiche: silicio policristallino, silicio monocristallino, film sottile di silicio amorfo e silicio amorfo flessibile. L’orizzonte di previsione analizzato è di +[24,48]h con risoluzione di 1 ora(mercato elettrico del giorno dopo). Vengono in particolare elaborati dei modelli di previsione su base statistica testando le potenzialità di 4 algoritmi: un algoritmo ibrido fisico-statistico, Grey Box, e tre algoritmi di Machine Learning, k-Nearest neighbours, Rete Neurale e Random Forest. In una prima fase si presentano le funzionalità aggiunte ai 3 algoritmi di Machine Learning (learner) al fine di massimizzarne l’accuratezza. In un secondo tempo presentiamo due possibili approcci di realizzazione di un modello ensemble dei tre algoritmi di Machine Learning introdotti, che in definitiva ha consentito di ottenere un modello più accurato rispetto al singolo learner.
Al fine di individuare l’influenza delle caratteristiche degli impianti PV sulle prestazioni del modello di previsione, quest’ultime sono state valutate raggruppando per tecnologia delle celle fotovoltaiche, taglia, zone di mercato e struttura(roof,ground). E’ stato inoltre valutato l’impatto che l’incremento dell’accuratezza dei modelli di previsione ha sulle penalità di sbilanciamento con riferimento al mercato elettrico italiano.