Un metodo probabilistico per la previsione oraria del fotovoltaico basato su inferenza conforme adattiva non parametrica

Perché previsioni solari migliori sono importanti

Con sempre più abitazioni, imprese e gestori che adottano pannelli solari per ottenere elettricità pulita, le reti elettriche devono gestire una risorsa che varia con ogni nuvola che passa. Gli operatori di rete devono conoscere non solo quanta potenza solare sarà disponibile tra un’ora, ma anche quanto sia incerta quella previsione. Questo articolo propone un nuovo modo di mettere delle “barre di errore” intorno a previsioni a breve termine della potenza solare, così che i pianificatori possano mantenere la rete in funzione affidandosi al sole con maggiore sicurezza.

Dalla singola previsione a previsioni consapevoli del rischio

Le previsioni solari tradizionali spesso riducono il futuro a un unico numero, per esempio “2,5 kilowatt tra un’ora”. In realtà, la produzione solare oscilla con il meteo e l’ora del giorno, e le decisioni di rete—come quanta potenza di riserva programmare—dipendono da quanto siamo sicuri di quei numeri. Gli approcci moderni quindi usano la previsione probabilistica: invece di un valore forniscono un intervallo di esiti probabili insieme a un’indicazione di quanto spesso il valore vero dovrebbe cadere all’interno di quell’intervallo. Questo studio si concentra su previsioni orarie per pannelli montati sui tetti di un’università a Wrocław, in Polonia, usando cinque anni di dati storici. L’obiettivo è produrre intervalli di previsione che siano affidabili (contengono il valore reale la maggior parte delle volte) e precisi (gli intervalli sono il più stretti possibile, evitando gamme inutilmente ampie).

Un modo più intelligente per adeguare l’incertezza

La tecnica centrale esplorata qui è l’Inferenza Conforme Adattiva, o ACI. In termini semplici, ACI avvolge qualsiasi modello di previsione—qui una rete profonda chiamata LSTM impilata—and osserva gli errori di previsione recenti per decidere quanto debba essere largo il prossimo intervallo di previsione. Se le previsioni recenti hanno sbagliato, ACI allarga automaticamente l’intervallo; se sono state accurate, lo restringe. Tuttavia, l’ACI standard presume che i dati cambino in modo graduale nel tempo. La potenza solare non lo fa: ogni notte la produzione scende a zero, e i primi raggi del mattino somigliano poco a quanto accaduto la sera precedente. Questo schema giorno‑notte può far derivare il parametro di adattamento di ACI, gonfiando gli intervalli nel tempo.

Azzerare ogni giorno per un nuovo inizio

Per risolvere questa discrepanza, gli autori introducono una torsione semplice ma potente: azzerano il parametro interno di “miscoverage” di ACI all’inizio di ogni giorno. Concettualmente, questo dice all’algoritmo di dimenticare le lunghe ore buie con poche informazioni e di ricalibrarsi basandosi solo sul comportamento diurno. La LSTM di base continua ad apprendere pattern da anni di dati, incluse variazioni stagionali e forme tipiche giornaliere, ma lo strato ACI non permette più agli zeri notturni di distorcere la percezione dell’incertezza. Questo azzeramento giornaliero evita che gli intervalli diventino inutilmente grandi dopo sequenze di periodi a bassa informazione e consente al metodo di adattarsi rapidamente alle condizioni di luce di ciascun giorno, sia che siano limpide, nuvolose o molto variabili.

Come si comporta il nuovo metodo

Lo studio confronta quattro modi di esprimere l’incertezza intorno alle previsioni solari: l’ACI modificata, un modello profondo addestrato a prevedere direttamente diversi quantili (Deep Quantile Regression), una versione bayesiana della LSTM che stima l’incertezza internamente, e un potente algoritmo ad alberi chiamato CatBoost ottimizzato per la previsione dei quantili. I test sono condotti su un anno di dati non visti. L’ACI modificata raggiunge la maggiore affidabilità, con i suoi intervalli che contengono il valore reale circa il 91% delle volte, vicino all’obiettivo previsto, mantenendo al contempo una larghezza dell’intervallo modesta. La LSTM bayesiana segue in termini di affidabilità ma produce intervalli leggermente più ampi. CatBoost offre gli intervalli più stretti ma manca i valori reali più spesso, sottostimando l’incertezza. La Deep Quantile Regression è la peggiore nel complesso, combinando copertura inferiore con intervalli più larghi e punteggi di penalità più alti. Importante, l’ACI migliorata ottiene queste prestazioni con un costo computazionale aggiuntivo solo ridotto rispetto al modello LSTM di base.

Cosa significa per le reti solari future

In termini pratici, il lavoro mostra che una migliore gestione del ritmo giorno‑notte può migliorare in modo evidente la qualità delle stime di rischio per la potenza solare. Azzerando la sua calibrazione ogni mattina, l’approccio ACI modificato fornisce fasce di confidenza che sono sia affidabili sia ragionevolmente strette, rendendo più facile per operatori di rete e gestori energetici pianificare riserve, scambiare energia e integrare più solare senza reagire eccessivamente all’incertezza. Poiché ACI è agnostico rispetto al modello e non si basa su previsioni meteorologiche dettagliate, gli autori sostengono che questo schema di azzeramento giornaliero potrebbe essere applicato ampiamente ad altre installazioni solari e strumenti di previsione, offrendo un modo robusto e basato sui dati per rendere il sole un partner più prevedibile nei sistemi energetici di domani.

Citazione: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Parole chiave: previsione della potenza solare, predizione probabilistica, quantificazione dell'incertezza, inferenza conforme, reti energetiche rinnovabili