Previsione della generazione fotovoltaica nello spazio.
SentinelPV sviluppa una metodologia scalabile per la previsione fotovoltaica a breve termine, combinando impianti monitorati rappresentativi, analisi geospaziale, modellazione fisica e intelligenza artificiale.
Prevedere una fonte energetica distribuita e variabile.
La generazione fotovoltaica è sempre più distribuita sul territorio, mentre i dati di produzione in tempo reale sono disponibili solo per una parte degli impianti. SentinelPV studia come osservazioni limitate ma di alta qualità possano migliorare le previsioni a breve termine senza richiedere il monitoraggio completo dell'intero parco fotovoltaico.
Impianti fotovoltaici sentinella
Viene selezionato un insieme limitato di impianti monitorati rappresentativi per descrivere il comportamento di aree geografiche più ampie. Il loro ruolo è fornire osservazioni locali di alta qualità che possono essere trasferite, tramite modellazione spaziale, a gruppi più ampi di impianti fotovoltaici.
Scopri il concetto →Previsione ibrida
I modelli fotovoltaici fisici vengono combinati con metodi di machine learning. Il livello fisico fornisce informazioni interpretabili su irraggiamento, temperatura e comportamento del sistema, mentre il livello data-driven cattura la complessa variabilità temporale e spaziale.
Vedi la metodologia →Intelligenza geospaziale
I profili di produzione vengono analizzati insieme a informazioni meteorologiche, geografiche e topografiche. Questo permette al progetto di studiare come il comportamento fotovoltaico cambia sul territorio e di definire zone significative per la previsione regionale.
Esplora l'approccio spaziale →Dalle osservazioni locali all'intelligenza regionale.
SentinelPV studia la quantità minima di monitoraggio necessaria per ottenere informazioni affidabili su una popolazione fotovoltaica distribuita molto più ampia. Invece di assumere che ogni impianto debba trasmettere dati in tempo reale, il progetto ricerca punti di osservazione rappresentativi e le scale spaziali a cui la loro informazione può essere generalizzata.
La previsione viene quindi trattata sia come un problema temporale sia spaziale. Il progetto combina fisica del fotovoltaico, informazioni meteo, produzione storica e relazioni geospaziali per migliorare la ricostruzione e la previsione della generazione fotovoltaica su aree più ampie.
Un flusso di lavoro in cinque fasi, dai dati alle previsioni validate.
La metodologia collega dati eterogenei, analisi spaziale, selezione dei siti rappresentativi, previsione ibrida e validazione in un flusso di ricerca comune.
Integrazione dei dati
Produzione fotovoltaica, meteorologia, previsioni meteo numeriche, metadati degli impianti e livelli geospaziali vengono armonizzati e sottoposti a controllo di qualità.
Clustering spaziale
I siti vengono raggruppati utilizzando informazioni geografiche, topografiche, meteorologiche e di produzione, non solo la distanza.
Selezione dei sentinella
Per ciascuna zona spaziale significativa vengono identificati impianti monitorati rappresentativi, utilizzati come punti di osservazione per aree più ampie.
Modelli ibridi
La modellazione fotovoltaica fisica viene integrata con il machine learning per catturare il comportamento deterministico e la variabilità spazio-temporale residua.
Benchmarking
Le previsioni vengono confrontate con riferimenti comuni e analizzate su diversi regimi meteorologici, orizzonti temporali e scale spaziali.
Esplora previsioni, informazioni spaziali e prestazioni dei modelli.
La piattaforma web traduce il flusso di ricerca in un ambiente interattivo basato su GIS. Gli utenti possono passare dalla mappa ai dati storici, esaminare le previsioni per singole località o zone più ampie e confrontare diversi modelli di previsione e fonti di dati.
L'area di benchmark combina selezione geografica, confronto di serie temporali, indicatori numerici di prestazione e distribuzioni degli errori. Questo permette di valutare non solo l'accuratezza media, ma anche come il comportamento del modello cambia con la località, le condizioni meteo e l'intervallo operativo.
Ingegneria energetica, scienze geospaziali e intelligenza artificiale.
Il progetto è interdisciplinare per natura. La ricerca sui sistemi fotovoltaici e sull'ingegneria dei sistemi elettrici si integra con la geomatica, la data science spaziale, il machine learning e lo sviluppo di una piattaforma web interattiva.
Ricerca collaborativa al Politecnico di Torino.
SentinelPV è sviluppato nell'ambito dei Finanziamenti per la Ricerca e l'Innovazione 2025, linea Collaborative Research Projects, con il sostegno di Fondazione CRT e del Politecnico di Torino.