L’adeguatezza, la flessibilità e altri indici tecnico-economici utilizzati a supporto delle scelte di pianificazione del sistema elettrico su orizzonti di lungo termine sono fortemente influenzati dalle Fonti Rinnovabili Non Programmabili (FRNP), oltre che da altre grandezze stocastiche come il carico. Occorre quindi rappresentarne in modo accurato le caratteristiche al fine della valutazione di tali indici. Per questo servono strumenti in grado di generare numerose serie temporali plausibili di grandezze stocastiche, che alimentino i cicli Monte Carlo dei tools di analisi del sistema elettrico. Rivestono speciale importanza in questo contesto le dipendenze spazio-temporali fra grandezze casuali e gli eventi rari. Inoltre, poiché gli orizzonti temporali considerati sono di lungo termine, è necessario tenere conto dei cambiamenti climatici per il loro potenziale impatto su alcune delle grandezze di interesse.

In seguito a un’analisi della letteratura e degli archivi di dati disponibili, è stato sviluppato un approccio metodologico per generare serie temporali plausibili di produzione di potenza eolica, fotovoltaica e di carico, che tiene conto degli aspetti sopra citati.

Dopo un preprocessamento specifico per ciascuna tipologia di dati, la parte stocastica delle serie storiche viene identificata attraverso un modello Auto Regressivo Vettoriale di ordine p VAR(p). Quest’ultimo genera poi un numero di serie temporali che, dopo un post-processamento, hanno le medesime caratteristiche statistiche delle serie in input. Le serie simulate conservano sia aspetti singoli (distribuzione, media, varianza, dipendenza dal passato), sia le cross-correlazioni, sia la frequenza con cui accadono gli eventi rari. Il preprocessamento delle serie di potenza eolica consiste nella loro suddivisione in stagioni e per ciascuna viene creato un modello distinto. Nelle serie di potenza fotovoltaica, la stagionalità viene estratta considerando la posizione reciproca della Terra e del Sole. Invece il carico ha una componente stagionale che viene rappresentata da tre profili a seconda della tipologia di giorno, e la parte aleatoria è influenzata dalla temperatura, grandezza particolarmente interessata dai cambiamenti climatici. Una prima implementazione dello strumento per il caso eolico dimostra come le serie simulate conservino le proprietà statistiche delle serie storiche.