Cookie Consent by Free Privacy Policy Generator website
Energia: ENEA, nuova metodologia con intelligenza artificiale  per la previsione della produzione fotovoltaica
Share this… Facebook Pinterest Twitter Linkedin Energia: ENEA, nuova metodologia con intelligenza artificiale  per la previsione della produzione fotovoltaica
abb rinascimento dig

Previsioni della produzione di energia fotovoltaica sempre più accurate grazie all’intelligenza artificiale (AI): è il risultato ottenuto da un gruppo di ricercatori ENEA che ha pubblicato lo studio sulla rivista scientifica Energies.

“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 (Napoli), dimostrando un netto miglioramento nella precisione delle previsioni di produzione fotovoltaica[1], spiega il coautore dello studio Amedeo Buonanno(FOTO), 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, i modelli meteorologici che stimano la produzione di energia fotovoltaica sono stati abbinati a un algoritmo di apprendimento automatico (machine learning) che integra i dati storici di generazione, incrementando così l’accuratezza della previsione. Questa nuova metodologia ENEA per la previsione della generazione fotovoltaica offre notevoli vantaggi sia in termini di versatilità che di applicabilità. La sua generalità[2] ne consente l’utilizzo in una vasta gamma di scenari, anche con ridotta disponibilità di dati come nel caso di nuove installazioni.

“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 l’utilizzo di dati storici di generazione. Una volta addestrati, 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”, sottolinea Buonanno.

L’Italia ha fatto notevoli progressi nel settore delle energie rinnovabili, con una capacità installata di impianti fotovoltaici che ha superato i 30 GW nel 2023, segnando un incremento del 21% rispetto al 2022[3]. Tuttavia, la variabilità della radiazione solare rappresenta ancora una delle principali sfide nella gestione della produzione di energia fotovoltaica.

“Lo studio ENEA si inserisce all’interno del progetto MISSION[4] che mira a sviluppare innovativi sistemi energetici integrati, ottimizzando l’interazione tra diverse fonti energetiche (rinnovabili e convenzionali) e vettori energetici (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.

Note

[1] La riduzione dell’errore quadratico medio è di almeno il 3,7%. L’errore quadratico medio è una misura usata per valutare quanto le previsioni di un modello si discostino dai valori reali.

[2] Il team ENEA ha testato diversi algoritmi di machine learning, tra cui il modello lineare che ha mostrato i risultati migliori in termini di errore quadratico medio.

[3] Gestore dei Servizi Energetici. Rapporto Statistico Solare Fotovoltaico 2023.

[4] MISSION Innovation – POA Smart Grid https://mission-innovation.it/smart-grid/(Multivector Integrated Smart Systems and Intelligent microgrids for accelerating the energy transitiON).

 

 

 

 

 

 

 

 

 

 

 

 

Share this…

About author

digitalvoice

555555555555555555555ssssssssssss