Previsioni del flusso solare normale diretto (DNI) basate su apprendimento automatico usando dati satellitari per impianti a energia solare concentrata (CSP) con accumulo termico (TES)

Perché prevedere le ore di irraggiamento è importante

All’aumentare dei paesi che guardano al sole per alimentare case e industrie, sorge una domanda cruciale: come mantenere l’elettricità quando il cielo cambia di minuto in minuto? Gli impianti a energia solare concentrata, che usano specchi per focalizzare la luce solare e immagazzinare calore, possono fornire elettricità anche dopo il tramonto. Ma per gestirli in modo efficiente ed economico, gli operatori devono conoscere in anticipo l’intensità dell’irraggiamento solare. Questo studio mostra come dati meteorologici satellitari gratuiti e tecniche moderne di apprendimento automatico possano fornire previsioni pratiche e accessibili del soleggiamento, su misura per questi impianti di nuova generazione.

Trasformare immagini dallo spazio in previsioni utili

I ricercatori si concentrano su una grandezza chiave chiamata irraggiamento normale diretto, o DNI — la porzione di luce solare che viaggia in linea retta e può essere concentrata dagli specchi. Diversamente dai pannelli fotovoltaici convenzionali, questi impianti dipendono quasi esclusivamente dal DNI, che è molto sensibile alle nuvole, all’umidità e alle particelle nell’aria. Invece di installare costose telecamere e strumenti a terra in ogni sito, il team utilizza i dati del satellite geostazionario Himawari-8, che osserva gran parte dell’Asia dallo spazio ogni dieci minuti. Da questo flusso di immagini e prodotti derivati raccolgono 17 variabili, incluse diverse misure di radiazione solare, tipo di nuvola, vapore acqueo, temperatura e angolo del sole, che vengono immesse in modelli di machine learning addestrati a prevedere il DNI da 30 minuti fino a 6 ore di anticipo.

Algoritmi intelligenti che apprendono dal cielo

Per trovare lo strumento di previsione migliore, gli autori testano 24 approcci diversi di apprendimento automatico e confrontano precisione, velocità e costi computazionali. Scoprono che una tecnica chiamata Ensemble Bagging Regression eccelle per le previsioni a brevissimo termine, in particolare all’orizzonte dei 30 minuti, dove cattura dettagli fini dei cambiamenti recenti. Per tempi di previsione maggiori, emerge come migliore un modello di regressione di processo gaussiano esponenziale. Questo modello non solo predice il DNI futuro ma fornisce anche una misura intrinseca di incertezza, utile per la pianificazione. Su orizzonti di previsione fino a sei ore, il modello migliore mantiene performance robuste, con errori abbastanza piccoli da essere assorbiti dalla capacità di buffering naturale dei sistemi di accumulo termico negli impianti solari concentrati.

Leggere i segnali nascosti del tempo

Oltre alla precisione, il team vuole capire cosa guida le previsioni del modello. Usano una tecnica di IA interpretabile nota come SHAP, che assegna a ciascuna variabile di input un contributo alla previsione, un po’ come spartire il conto in modo equo tra i commensali. Questa analisi rivela che l’angolo del sole nel cielo e le proprietà legate alle nuvole sono i fattori più influenti su molti orizzonti temporali. Le versioni a cielo sereno delle misure di radiazione — ciò che la radiazione sarebbe in assenza di nuvole — svolgono anch’esse un ruolo importante, insieme alla temperatura e a semplici valori passati di DNI su ritardi brevi. L’aria umida, l’ozono e l’umidità relativa tendono a ridurre il soleggiamento previsto, soprattutto nei mesi estivi umidi, mentre condizioni limpide e secche in tarda inverno e inizio primavera lo incrementano. Questi risultati rassicurano gli operatori sul fatto che il modello risponda a segnali fisicamente sensati piuttosto che a stranezze nascoste nei dati.

Dalle pianure alle valli montane

Una prova cruciale è se un modello addestrato in un luogo può essere affidabile in altri. Gli autori addestrano il loro sistema in un sito a Bhagalpur, India, quindi lo applicano a cinque località aggiuntive in Asia meridionale, che spaziano da pianure a basso rilievo fino alle propaggini himalayane. Su terreni più pianeggianti, come Jhansi e Kharagpur, le previsioni restano molto affidabili, con livelli di errore stabili e poca sovra- o sotto-stima sistematica. Invece, stazioni in paesaggi più accidentati o complessi, come Makalu nelle Himalaya, mostrano oscillazioni maggiori in accuratezza e bias a certi ritardi temporali. Questi pattern suggeriscono che la topografia locale e comportamenti meteorologici particolari — come la rapida formazione di nuvole intorno alle montagne — possono mettere alla prova un modello basato solo su dati satellitari e potrebbero richiedere adattamenti specifici.

Cosa significa per il futuro dell’energia solare

Per gli operatori di impianti solari concentrati con accumulo termico, lo studio offre un messaggio pratico: potrebbero non aver bisogno dell’hardware di previsione più costoso e ultra-preciso per gestire efficacemente gli impianti. Grazie alla levigatura naturale fornita dall’accumulo termico, un modello satellitare ben progettato con errori moderati può comunque supportare una pianificazione affidabile della produzione nelle ore successive. Basandosi su dati satellitari gratuiti e ad ampia copertura e su apprendimento automatico interpretabile, questo approccio offre un modo scalabile per ridurre i costi e abbassare il prezzo dell’elettricità solare nelle regioni ricche di sole, in particolare nell’Asia meridionale. Con ulteriori perfezionamenti che tengano conto di montagne, aerosol e pattern meteorologici locali, tali sistemi di previsione potrebbero diventare una tecnologia portante per una rete più affidabile e alimentata dal solare.

Citazione: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Parole chiave: previsioni solari, energia solare concentrata, dati satellitari, apprendimento automatico, accumulo termico