Questo studio si è concentrato sull’ampliamento e l’ottimizzazione di sistemi previsionali di produzione fotovoltaica sviluppati in precedenti attività di RdS, con un focus sull’applicazione a impianti innovativi dotati di moduli bifacciali. Il lavoro è stato realizzato utilizzando i dati di produzione di un impianto fotovoltaico in operatività provvisto di moduli bifacciali. Questi dati hanno permesso di addestrare modelli di machine learning per sviluppare previsioni a breve termine (fino a un giorno in avanti) e a brevissimo termine (nowcasting, fino a 4 ore in avanti).

In particolare, i risultati ottenuti dal sistema previsionale a breve termine basato su tecniche di machine learning mostrano che esso funziona bene in condizioni di cielo sereno, ma incontra difficoltà in situazioni nuvolose, in dipendenza dagli errori previsionali dei modelli meteorologici. Lo studio ha inoltre verificato come le variabili più rilevanti per ottenere previsioni accurate di produzione da impianti bifacciali risultano essere la componente diretta e quella diffusa dell’irraggiamento solare, con un miglioramento del 2 % nello skill score previsionale rispetto all’utilizzo del solo irraggiamento solare globale.

Si deve tener presente che la componente diffusa dall’atmosfera e quella riflessa dal suolo dipendono anche dall’albedo della superficie su cui sono posizionati i moduli fotovoltaici, e questa risulta essere un parametro rilevante nel caso dei moduli bifacciali.

In assenza di dataset storici di misure, i sistemi basati su addestramenti (metodi di machine learning o statistici) non possono essere utilizzati, e quindi si rende necessario optare per metodi fisici che richiedono una conoscenza accurata della tipologia dell’impianto. È stato così effettuato un confronto di performance tra un metodo previsionale a breve termine basato su un modello fisico dell’impianto ed un approccio machine learning per mostrare l’impatto che la mancanza di dati storici può avere sulla previsione.

Il modello fisico utilizzato è stato il PVWatts di NREL. Il confronto, seppure limitato ad una sola mensilità, evidenzia che il machine learning offre prestazioni superiori, con un errore medio (MAE) di 3.3 kW rispetto ai 3.6 kW del modello fisico, su una potenza nominale di circa 30 kW.

Infine, per la previsione a brevissimo termine i metodi basati sulla persistenza sono i più efficaci in caso di cielo coperto, ma perdono precisione in condizioni di cielo sereno e all’aumentare dell’orizzonte previsionale. Per ottimizzare le previsioni è stato sviluppato un modello ibrido che combina dati satellitari, meteorologici e di persistenza, migliorando le performance complessive.