La piattaforma è in fase di sviluppo. Arriva a breve!
Metodologia

Un flusso di lavoro data-centrico che combina fisica del fotovoltaico, modellazione spaziale e intelligenza artificiale.

La metodologia SentinelPV è organizzata come una catena modulare che va dalla preparazione dei dati alla previsione regionale, all'integrazione nella piattaforma e alla validazione.

1. Fondamenta dei dati

Il flusso di lavoro di previsione parte da un dataset spazio-temporale multi-sorgente. La produzione fotovoltaica storica viene combinata con osservazioni meteorologiche, previsioni meteo numeriche, informazioni sugli impianti e livelli geospaziali. In base alla disponibilità, il progetto può integrare dati aperti, misure provenienti da stakeholder del settore energetico e dispositivi di sensing locali utilizzati per rafforzare il dataset di riferimento.

I dati geospaziali descrivono quota, pendenza, esposizione, morfologia del terreno e altre caratteristiche che possono influenzare i microclimi locali. Le variabili meteorologiche includono irraggiamento solare, temperatura ambiente, informazioni sulla copertura nuvolosa e altri descrittori delle condizioni atmosferiche. Le previsioni numeriche forniscono le informazioni meteo future necessarie per la previsione operativa a breve termine e al giorno successivo.

Prima della modellazione, tutte le fonti vengono allineate nello spazio e nel tempo, sottoposte a controllo di qualità e normalizzate. Il risultato è una matrice di feature coerente in cui produzione, meteo e territorio possono essere analizzati insieme.

2. Analisi spaziale multi-criterio

SentinelPV raggruppa impianti fotovoltaici e celle geografiche secondo criteri che vanno oltre la semplice prossimità. L’analisi spaziale combina il comportamento storico di produzione con descrittori meteorologici e topografici per identificare regioni omogenee dal punto di vista della generazione fotovoltaica.

Diverse strategie di regionalizzazione vengono valutate secondo due criteri: se creano zone spaziali significative e se le zone risultanti migliorano la capacità degli impianti sentinella di generalizzare le previsioni. Questo mantiene la fase di clustering direttamente collegata all’obiettivo finale di previsione.

3. Previsione ibrida fisica e di machine learning

Il motore di previsione combina due fonti di conoscenza complementari. Un livello fisico descrive la risposta fotovoltaica attesa utilizzando la geometria solare, l’irraggiamento sul piano del modulo, gli effetti della temperatura del modulo e le caratteristiche elettriche o geometriche rilevanti. Questo livello fornisce una base interpretabile radicata nella fisica del fotovoltaico.

Il livello data-driven apprende la variabilità residua e le relazioni non lineari a partire dai dati disponibili. Il progetto studia architetture neurali temporali, modelli basati su grafi e approcci ensemble in grado di apprendere sia l’evoluzione delle singole serie temporali sia le relazioni tra più località. Vengono considerate anche formulazioni guidate dalla fisica per vincolare i modelli data-driven con informazioni fisicamente significative.

4. Generalizzazione spaziale

I modelli addestrati utilizzando le informazioni dei sentinella vengono testati su località non utilizzate come punti di monitoraggio diretto. Questa validazione cross-location è essenziale: l’obiettivo non è solo prevedere i sentinella stessi, ma quantificare quanto accuratamente la loro informazione possa rappresentare il resto del territorio.

Le previsioni possono quindi essere generate per singoli siti o aggregate su zone. Ripetendo l’analisi a diverse risoluzioni, il progetto valuta il compromesso tra accuratezza locale, robustezza regionale e complessità di monitoraggio.

Metodologia SentinelPV dai dati alla previsione ibrida

5. Anomalie atmosferiche e strategie di correzione

Particolare attenzione viene data alle condizioni scarsamente rappresentate dalle catene di previsione convenzionali. Sistemi nuvolosi densi, nebbia ed eventi di aerosol possono creare grandi deviazioni a breve termine nell’irraggiamento solare. Il trasporto di polveri sahariane viene quindi utilizzato come esempio di anomalia atmosferica in cui possono essere necessarie informazioni aggiuntive o correzioni del modello.

Le previsioni passate, quando disponibili, vengono confrontate con le osservazioni corrispondenti per apprendere errori sistematici e studiare strategie di correzione. Questo crea un collegamento tra lo storico delle previsioni operative e il miglioramento continuo dei modelli predittivi.

6. Validazione e benchmarking

Le prestazioni di previsione vengono valutate rispetto ad approcci di riferimento comuni, inclusi baseline di tipo persistenza, stime solo fisiche e modelli data-driven standard. Metriche come l’errore assoluto medio normalizzato e la radice dell’errore quadratico medio normalizzato sono integrate dall’analisi delle distribuzioni degli errori, dalla coerenza spaziale e dalle prestazioni nei diversi intervalli di produzione.

La validazione viene effettuata su diversi orizzonti di previsione, stagioni, località e casi di studio meteorologici selezionati. L’obiettivo è identificare non solo quale modello abbia l’errore medio più basso, ma anche quanto sia stabile ciascun metodo al variare delle condizioni e come evolvono le prestazioni quando le previsioni vengono aggregate spazialmente.