Il documento descrive approfonditamente il tool AMaCha – stochastic Analysis with Markov Chains – versione 2.0. Esso raccoglie ed amalgama tutto il materiale prodotto negli anni insieme alle ultime modifiche apportate, in modo da fornire una descrizione organica, completa e definitiva del tool. Il documento è suddiviso in quattro parti: il supporto teorico, la descrizione del codice, una proposta di utilizzo con i risultati messi a confronto con l’input, eventuali sviluppi futuri.

Nelle reti elettriche attuali, nazionale, europea, extraeuropea, sono presenti in numero sempre crescente i generatori che producono energia da fonti rinnovabili non programmabili, la cui produzione immessa in rete non è decidibile a priori. Questo, unitamente alle politiche energetiche dei vari paesi, comporta una serie di problemi da gestire, ad esempio la necessità di garantire la copertura del carico non sapendo quanta energia sarà prodotta dalle FER, l’organizzazione della riserva, l’ampliamento della rete. Per descrivere in maniera più simile alla realtà la rete elettrica ed il mercato elettrico, all’interno dei tool di simulazione è necessario inserire l’aspetto aleatorio della generazione da fonti rinnovabili.

AMaCha ha proprio questo obiettivo: dopo aver analizzato una serie storica di produzione di potenza da fonte eolica o fotovoltaica, ne cattura i parametri statistici e li ripropone nelle sequenze di valori che genera in output; queste sono insiemi di 8760 valori orari che verosimilmente possono essere considerate serie di produzione di potenza da fonte eolica o solare.

L’algoritmo è diviso in due parti.

La prima parte, AMaCha1, aggiusta i dati in input per togliere i valori mancanti; poi li destagionalizza con due metodi differenti a seconda dell’origine dei dati: nel caso eolico usa una versione dell’algoritmo Seasonal Trend decomposition with Loess (STL) per estrarre la stagionalità annuale, nel caso solare invece utilizza un algoritmo solo ispirato al STL con cui estrae sia la stagionalità annuale sia quella diurna; se l’utente vuole e solo nel caso eolico, AMaCha1 individua anche le correlazioni spaziali attraverso l’algoritmo della Principal Component Analysis. Il residuo viene utilizzato per costruire iparametri di un processo di Markov discreto.

La seconda parte, AMaCha2, riceve in input i parametri del modello di Markov e le informazioni su stagionalità e cross-correlazione, e genera stocasticamente delle serie che siano confrontabili con quelle in input.