Ricercatori della NC State ottengono fino al 13% di miglioramento nelle previsioni solari del giorno precedente utilizzando metodi ensemble
Punti chiave
- •Lo studio ha testato sette modelli di previsione derivanti da approcci statistici e basati su reti neurali artificiali utilizzando dati dal 2019 al 2022.
- •I modelli sono stati valutati con dati meteorologici e di generazione solare dell'Imperial Irrigation District e del Los Angeles Department of Water and Power.
- •BiLSTM è stato utilizzato come modello di riferimento perché era il modello individuale più costantemente performante, ma nessun modello singolo ha ottenuto i risultati migliori in ogni caso.
- •La media ponderata ha migliorato le previsioni fino all'11% per l'Imperial Irrigation District, mentre il metodo multi-input ha migliorato le previsioni fino al 13% per il Los Angeles Department of Water and Power.
- •I ricercatori hanno affermato che i metodi di previsione devono essere adattati alle condizioni regionali anziché essere applicati come soluzione universale.
I ricercatori della North Carolina State University hanno dimostrato tecniche in grado di migliorare le previsioni solari del giorno precedente fino al 13% rispetto al modello di previsione individuale con le prestazioni più costanti. Le previsioni del giorno precedente sono particolarmente critiche per gli operatori di rete, poiché informano le decisioni di programmazione del mercato e di impegno delle unità — il processo con cui le centrali elettriche vengono designate per funzionare al fine di soddisfare la domanda prevista — prese con 24 ore di anticipo. I risultati, pubblicati sul Journal of Cleaner Production, sottolineano inoltre il ruolo cruciale che le variabili regionali svolgono nella progettazione di modelli di previsione accurati.
"Man mano che la penetrazione solare continua ad aumentare, l'incertezza nelle previsioni diventa una considerazione chiave per i pianificatori energetici e gli operatori di rete che devono bilanciare offerta e domanda", ha affermato Anderson De Queiroz, professore associato di ingegneria civile, edile e ambientale alla NC State e coautore dell'articolo. "I nostri risultati dimostrano che combinare più modelli basati sul machine learning può fornire previsioni più robuste e contribuire a migliorare l'affidabilità dell'integrazione solare nei sistemi elettrici."
Per stabilire un riferimento, il team di ricerca ha prima valutato due ampie categorie di modelli di previsione: modelli statistici, che identificano pattern storici, e approcci basati su reti neurali artificiali, più adatti a catturare relazioni temporali non lineari. Da queste categorie, il team ha selezionato sette modelli da testare.
I modelli sono stati valutati utilizzando dati meteorologici e di generazione di energia solare dal 2019 al 2022, provenienti da due utility californiane: l'Imperial Irrigation District (IID) e il Los Angeles Department of Water and Power (LADWP). La California guida gli Stati Uniti per capacità solare installata, rendendola un ambiente particolarmente rilevante per studiare le sfide di previsione associate a un'elevata penetrazione solare.
"Volevamo utilizzare i modelli per trovare la relazione tra i dati meteorologici e la generazione di energia solare", ha dichiarato Yen-Hsi Chou, ricercatore post-dottorato alla NC State e autore corrispondente dell'articolo. "Ma il risultato più interessante è stato che nessun modello singolo ha ottenuto le migliori prestazioni in ogni caso. Abbiamo scelto il modello con le prestazioni più costanti, BiLSTM, come riferimento e abbiamo osservato che combinando le previsioni di diversi modelli individuali, potevamo migliorare ulteriormente le prestazioni di previsione di oltre il 10% in alcuni casi, il che è stato piuttosto impressionante."
I ricercatori hanno testato due approcci ensemble. Il primo, la media ponderata, combina le previsioni di modelli specifici per località addestrati separatamente e assegna un peso maggiore ai modelli con migliori prestazioni. Il secondo, noto come multi-input, consente a ciascun modello di incorporare dati meteorologici da molteplici posizioni geografiche.
I risultati sono variati in modo significativo a seconda della regione. La media ponderata ha fornito miglioramenti fino all'11% per IID, mentre l'approccio multi-input ha prodotto miglioramenti di previsione fino al 13% per LADWP.
"Uno dei punti chiave di questo lavoro è che non esiste una strategia di previsione universale che funzioni equally bene ovunque", ha detto De Queiroz. "Comprendere le caratteristiche di ogni regione e sfruttare le informazioni provenienti da più modelli e località è estremamente importante per sviluppare strumenti di previsione che siano sia accurati che utili per supportare il processo decisionale associato alle operazioni di rete nel mondo reale."
"Nel complesso, i nostri risultati indicano che i metodi ensemble hanno il potenziale per migliorare ulteriormente le previsioni rispetto a un modello individuale, ma i metodi devono essere testati e perfezionati per la regione specifica in cui verranno utilizzati", ha aggiunto Chou.
La ricerca è stata sostenuta in parte dalla National Science Foundation. Altri collaboratori della NC State all'articolo includono Arundhuti Haldar, studentessa di dottorato presso il Dipartimento di Ingegneria Elettrica e Informatica, e Shubh Nisar, ex studente laureato in informatica.
L'articolo completo è disponibile sul Journal of Cleaner Production tramite ScienceDirect.
