Un modello di previsione fotovoltaica multi-step a breve termine basato su un algoritmo di migrazione delle balene migliorato

Perché è importante prevedere la produzione solare

Man mano che sempre più case, imprese e città adottano l’energia solare, sapere quanta energia produrranno i pannelli nei prossimi minuti o nelle prossime ore diventa cruciale. Se la previsione è sbagliata, gli operatori di rete devono correre ai ripari per mantenere l’elettricità, con sprechi economici e talvolta ricorso a combustibili fossili. Questo articolo propone un modo più intelligente per effettuare previsioni a breve termine della produzione solare, più preciso e più stabile rispetto a molti metodi esistenti.

Alti e bassi della produzione solare

I pannelli solari dipendono dal tempo atmosferico. Nuvole passeggere, foschia, variazioni stagionali e tempeste improvvise fanno oscillare la potenza generata in modo complesso. Gli strumenti tradizionali di previsione si basano o su modelli fisici semplificati dei pannelli o solo su dati storici. I modelli fisici possono non cogliere le particolarità del mondo reale, mentre gli approcci puramente statistici faticano quando i dati sono rumorosi o molto irregolari. Di conseguenza, spesso rendono male durante i cambiamenti rapidi dell’irraggiamento—proprio quando gli operatori hanno più bisogno di previsioni affidabili.

Spezzare un segnale confuso in parti più pulite

Per domare questo caos, gli autori prima rimettono in ordine i dati grezzi sulla produzione solare prima di prevederli. Usano una tecnica chiamata decomposizione in modalità variazionale, che divide la curva di potenza originale e frastagliata in diversi componenti più regolari, ognuno dei quali cattura schemi a diverse scale temporali. Questa separazione riduce il rumore casuale e rende più evidenti le regolarità nascoste. Invece di costringere un modello a imparare da un’unica curva ingarbugliata, il metodo gli fornisce un insieme di blocchi costitutivi più puliti e stabili.

Far apprendere e autotarare le macchine

Una volta decomposto il segnale, lo studio passa a un sistema di apprendimento in due parti. La prima è una rete neurale convoluzionale monodimensionale, eccellente nel riconoscere pattern locali e tendenze nelle serie temporali. La seconda è un motore di apprendimento leggero chiamato kernel extreme learning machine, che trasforma rapidamente i pattern estratti in previsioni numeriche. Insieme, questo modello ibrido combina forte riconoscimento dei pattern con previsioni veloci ed efficienti. Tuttavia, le sue prestazioni dipendono fortemente da alcuni parametri interni chiave, noti come iperparametri, che di solito sono difficili da sintonizzare manualmente.

Prendere spunto dalle migrazioni delle balene per ottimizzare il modello

Per scegliere automaticamente questi parametri cruciali, gli autori introducono un “algoritmo di migrazione delle balene migliorato”. Ispirato ai movimenti dei megattere in gruppi e alla loro esplorazione dell’oceano, questo algoritmo tratta ogni insieme candidato di iperparametri come una balena in cerca di migliori zone di alimentazione. Usa una combinazione di esplorazione ampia e ricerca locale fine, supportata da casualità controllata e mosse a salto, per evitare di bloccarsi in soluzioni scadenti. Dopo molte iterazioni, le “balene” migrano verso combinazioni di iperparametri che minimizzano gli errori di previsione, insegnando di fatto al modello come autotararsi.

Mettere il metodo alla prova

Il team valuta l’approccio completo—che combina la decomposizione del segnale, il modello ibrido di apprendimento e l’ottimizzatore ispirato alle balene—su dati reali di due impianti solari in Cina, uno da 50 MW e uno da 35 MW, coprendo periodi invernali ed estivi. Lo confrontano con nove alternative, comprese reti neurali standard, macchine a vettori di supporto, predittori a passo singolo e ibridi più semplici. Il nuovo modello non solo segue le curve giornaliere complessive, ma riproduce molto più fedelmente anche picchi e cadute brusche. Su diverse misure di errore, produce costantemente scostamenti più piccoli e una corrispondenza più stretta con le uscite effettive, con valori di bontà di adattamento intorno al 97% e al 92% per i due siti.

Cosa significa per l’uso energetico quotidiano

Per i non specialisti, la conclusione principale è che gli autori offrono un “bollettino meteorologico” più affidabile per la produzione solare stessa. Pulendo i dati, impiegando una soluzione di apprendimento snella ma potente e lasciando che una routine di ricerca ispirata alla natura affini il sistema, migliorano sostanzialmente la previsione a breve termine di quanta elettricità forniranno i pannelli solari. Previsioni migliori facilitano l’equilibrio tra fonti rinnovabili e convenzionali, riducono i costi operativi e supportano una rete elettrica più pulita e resiliente. La stessa strategia potrebbe essere adattata anche ad altri problemi complessi di previsione, dalla produzione eolica ai carichi industriali e persino all’analisi di segnali medici.

Citazione: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Parole chiave: previsione della produzione solare, energia fotovoltaica, apprendimento automatico, algoritmi di ottimizzazione, rete di energie rinnovabili