Il progetto di ricerca mira all'utilizzo delle tecniche di intelligenza computazionale, reti neurali e logica fuzzy, in un contesto reale di predizione di serie energetiche.
Sono sempre più comuni scenari distribuiti in cui piccole unità produttive sono connesse direttamente alla rete di distribuzione. Ragioni economiche, ambientali e politiche di incentivazione hanno spinto il mercato dell'energia verso fonti rinnovabili distribuite. In questi contesti tuttavia le difficoltà maggiori sono dovute alla variabilita e all'affidabilità delle risorse. Per un efficiente gestione dell'intero sistema, diventa necessaria la predizione dell'energia prodotta affinchè sia possibile un adattamento intelligente della rete di distribuzione. Questo è reso possibile dal fatto che i parametri di produzione di un impianto sono costantemente monitorati con tecnologie di smart metering che danno la possibilità di ricavare in tempo reale corrente e tensione in uscita.
Nella predizione di serie temporali la non-stazionarietà e, spesso, la non-linearità delle serie stesse portano a dinamiche complesse, con proprietà caotiche, che sono difficili da modellare adeguatamente usando modelli predittivi standard. Questo progetto si pone quindi l'obiettivo di adattare tecniche di machine learning per analizzare i dati associati alle fonti di energia rinnovabili. In particolare, il progetto mira a sviluppare soluzioni che possano fare uso di algoritmi di apprendimento automatico per la predizione in sistemi totalmente distribuiti in cui interagiscano agenti etereogenei (grandi impianti fotovoltaici, cogenerazione domestica, etc.).
In questa ricerca l'attenzione è focalizzata principalmente sulla predizione a breve termine. Le tecniche che verranno sviluppate possono essere applicate a orizzonti temporali più o meno lunghi di un giorno, rimanendo sempre nell'ambito di un termine breve. In letteratura ci sono tanti modelli applicati alla produzione di impianti fotovoltaici anche se molti includono semplicemente una predizione dell'irraggiamento. In particolare le tecniche a cui si fa riferimento sono modelli statistici [1-3], predittori stocastici [4,5], sistemi fuzzy [6], reti neurali [7], reti neurali con selezione statistica dei parametri e soluzioni basate sull'intelligenza artificiale [8]. Alcuni articoli presentano anche il confronto tra le predizioni, ottenuto con metodi differenti basati su due o più tecniche di predizone [9].
Malgrado la quantità di letteratura sull'argomento, solo pochi articoli descrivono in dettaglio i modelli di predizione da usare per predire direttamente la produzione giornaliera degli impianti. Partendo dalle misure passate e dalle previsioni meteorologiche, la potenza viene stimata tramite ANN [10] o soft computing [11] mentre in [12], l'ANN è applicata solo ai valori passati. Inoltre l'ANN può essere usata congiuntamente a modelli numerici di predizione meteo (NWP), basati su immagini da satellite [13]. Modelli di questo tipo sono stati usati anche per gli MME (Multi-Model Ensemble) con come obiettivo la predizione giornaliera della potenza in uscita degli impianti fotovoltaici [14]. Altri schemi, più complessi, sono proposti in [15] dove l'ANN è usata per migliorare le prestazioni di modelli predittivi standard (modelli deterministici, ARMA).
L'idea innovativa di questa ricerca è di adattare nuovi approcci di apprendimento per analizzare dati relativi ad energie rinnovabili. Partendo da tecniche usate in letteratura applicate ad altri campi come gestione di rischio, ingegneria biomedica e econometria. Il comportamento stocastico e altamente caotico delle serie temporali di energia solare richiede infatti di implementare procedure ad-hoc per questo tipo di dati, che verranno sviluppate lavorando solo sulle misure passate delle quantità elettriche.
[1] Hammer, A.; Heinemann, D.; Lorenz, E.; Lückehe, B. Short-term forecasting of solar radiation: a statistical approach using satellite data. Solar Energy 1999, 67, 139 -150.
[2] Safi, S.; Zeroual, A.; Hassani, M. Prediction of global daily solar radiation using higher order statistics. Renewable Energy 2002, 27, 647-666.
[3] Lorenz, E.; Hurka, J.; Heinemann, D.; Beyer, H.G. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2009, 2, 210.
[4] Kaplanis, S.; Kaplani, E. A model to predict expected mean and stochastic hourly global solar radiation values. Renewable Energy 2007, 32, 1414 - 1425.
[5] Kaplanis, S.; Kaplani, E. Stochastic prediction of hourly global solar radiation for Patra, Greece. Applied Energy 2010, 87, 3748 - 3758.
[6] Iqdour, R.; Zeroual, A. Prediction of daily global solar radiation using fuzzy systems. Int. J. Sustainable Energy 2007, 26, 19-29.
[7]. Kemmoku, Y.; Orita, S.; Nakagawa, S.; S.akakibara, T. Daily insolation forecasting using a multi-stage neural network. Solar Energy 1999, 66, 193 - 199.
[8] Hocaoglu, F.O.; Gerek, O.N.; Kurban, M. Hourly solar radiation forecasting using optimal coefficient 2-D linear filters and feed-forward neural networks. Sol. Energy 2008, 82, 714-726.
[9] Zervas, P.; Sarimveis, H.; Palyvos, J.; Markatos, N. Prediction of daily global solar irradiance on horizontal surfaces based on neural-network techniques. Renewable Energy 2008, 33, 1796 - 1803.
[10] Mellit, A.; Pavan, A.M. A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected {PV} plant at Trieste, Italy. Solar Energy 2010, 84, 807 - 821.
[11] Voyant, C.; Muselli, M.; Paoli, C.; Nivet, M.L. Optimization of an artificial neural network dedicated to the multivariate forecasting of daily global radiation. Energy 2011, 36, 348 - 359.
[12] Sfetsos, A.; Coonick, A. Univariate and multivariate forecasting of hourly solar radiation with artificial intelligence techniques. Solar Energy 2000, 68, 169 - 178.
[13] Mellit, A.; Kalogirou, S.A. Artificial intelligence techniques for photovoltaic applications: A review. Prog. Energy Combust. Sci. 2008, 34, 574 - 632.
[14] Barbieri, F.; Rajakaruna, S.; Ghosh, A. Very short-term photovoltaic power forecasting with cloud modeling: A review. Renewable Sustainable Energy Rev. 2017, 75, 242 - 263.
[15] Pierro, M.; Bucci, F.; Felice, M.D.; Maggioni, E.; Moser, D.; Perotto, A.; Spada, F.; Cornaro, C. Multi-Model Ensemble for day ahead prediction of photovoltaic power generation. Solar Energy 2016, 134, 132 - 146.