I ricercatori dell'Universidad Politécnica de Madrid e dell'Istituto nicaraguense di studi territoriali hanno sviluppato una tecnica per fare previsioni accurate dell'irradiamento solare globale (GSI) a breve termine utilizzando le reti neurali artificiali (ANN).
Lo studio introduce una nuova metodologia basata su osservazioni fatte in parallelo da sensori vicini e valori per più variabili (temperatura, umidità, pressione, vento e altre stime). Sono stati condotti esperimenti utilizzando reti neurali artificiali con diverse architetture e parametri al fine di determinare quale di questi ha generato le migliori previsioni per i vari intervalli di tempo studiati.
I risultati hanno permesso ai ricercatori di sviluppare modelli che prevedono GSI a breve termine con tassi di errore inferiori al 20%. Questo potrebbe essere utile per le aziende che gestiscono sia impianti solari fotovoltaici che impianti solari termici per stimare la capacità produttiva dei propri impianti.
Una grande sfida della società moderna è l'uso efficiente delle risorse naturali e la minimizzazione dell'impatto ambientale a causa dell'aumento della domanda e del consumo di energia. Così, energia rinnovabile, soprattutto l'energia solare, è diventata una soluzione a lungo termine con un potenziale maggiore e minore impatto.
In particolare, l'energia solare fotovoltaica può essere collegata alle reti di trasporto e distribuzione, ma richiede che l'offerta e la domanda di energia siano adeguatamente gestite. Perciò, la previsione del GSI entro poche ore e con un tasso di errore minimo è necessaria per stimare la produzione di energia attesa.
Vengono utilizzati vari metodi per stimare l'irraggiamento solare globale, comprese previsioni numeriche basate su luoghi e tempi, integrate da diversi modelli di correzione, metodi basati su immagini satellitari che registrano la nuvolosità e stimano le perdite nel modello ideale. Altri modelli si basano su serie temporali o sull'intelligenza artificiale. Ogni metodo ha vantaggi e svantaggi. Ad esempio, la previsione satellitare si è rivelata universale poiché fornisce stime per vaste aree geografiche. Però, dipende dalla disponibilità di tali immagini per alcune regioni del pianeta e dalla pre-elaborazione delle immagini, tra l'altro.
Nel caso di previsioni basate su metodi numerici, le dinamiche dell'atmosfera sono stimate in modo realistico attraverso l'assimilazione dei dati. Però, garantiscono la stabilità generale della previsione sugli eventi meteorologici locali. Finora, i metodi basati sull'intelligenza artificiale utilizzano solo le variabili di input endogene associate al sito della previsione.
Lo studio condotto dai ricercatori UPM e INETER si è concentrato sull'ipotesi che fosse possibile migliorare la previsione a breve termine dell'irraggiamento solare globale attraverso la generazione di modelli basati su reti neurali artificiali utilizzando fino a 900 input che mostrano l'evoluzione delle variabili in un contesto spazio-temporale vicino.
I risultati della ricerca mostrano la capacità dei modelli sviluppati basati su reti neurali artificiali di identificare relazioni sia lineari che non lineari tra le variabili. Gli autori scrivono, "Questo ci ha permesso di prevedere l'irraggiamento solare globale a breve termine con una capacità di previsione significativa e un errore quadratico medio normalizzato inferiore al 20% rispetto al resto dei modelli basati su reti neurali artificiali. Inoltre, i metodi sviluppati hanno permesso di identificare una relazione tra le previsioni tramite una finestra temporale scorrevole da una a tre ore e da quattro a sei ore rispetto alla distanza di riferimento di 55 km. Ciò può portare a una linea di ricerca per utilizzare diverse distanze di riferimento per diverse finestre di scorrimento di previsione".
Questi risultati trovano applicazione nelle aziende che gestiscono sia impianti solari fotovoltaici che impianti solari termici per stimare la capacità produttiva dei propri impianti come richiesto dalla normativa vigente, e gli operatori degli impianti elettrici nazionali. Entrambi i campi possono utilizzare questi metodi per raggiungere i propri obiettivi in modo più efficiente, massimizzare il ritorno sull'investimento e regolare la curva della domanda e dell'offerta.
