Previsioni della potenza fotovoltaica basate su una strategia di decomposizione secondaria e un modello ibrido

Perché contano previsioni solari più intelligenti

Man mano che sempre più abitazioni, imprese e fornitori di servizi si collegano all'energia solare, la rete elettrica si trova di fronte a una nuova sfida: la luce del sole è tutt'altro che costante. Nuvole passeggere, stagioni che cambiano e condizioni meteorologiche variabili possono far oscillare la produzione solare di minuto in minuto. Gli operatori di rete devono comunque mantenere le luci accese e proteggere gli impianti, quindi hanno bisogno di previsioni molto accurate e rapidissime su quanta energia produrranno i pannelli solari nei prossimi minuti. Questo studio presenta un nuovo metodo per rendere quelle previsioni ultra‑a breve termine molto più precise, aiutando le reti a funzionare in modo più fluido e a sfruttare meglio l'energia pulita.

Il percorso accidentato dell'energia solare

Gli impianti solari convertono la luce solare direttamente in elettricità senza parti in movimento, carburante o ciminiere. Questo li rende puliti e affidabili nel lungo periodo—ma non sempre prevedibili da un momento all'altro. La loro produzione dipende fortemente dal meteo locale: nuvole, foschia, temperatura, umidità e vento possono tutti spingere la potenza verso l'alto o verso il basso. Per gli operatori di rete che devono bilanciare costantemente domanda e offerta, questa volatilità rende più complessa e costosa la programmazione delle centrali di riserva, delle batterie e delle riserve operative. I metodi di previsione esistenti si basano o su modelli fisici del tempo e dei pannelli solari o su formule statistiche e apprendimento automatico. Pur funzionando abbastanza bene su orizzonti di ore o giorni, spesso faticano a catturare le rapide e frastagliate variazioni che contano per il controllo minuto per minuto.

Spezzare un segnale confuso in parti più pulite

Gli autori affrontano questo problema rimodellando prima i dati grezzi della potenza solare prima che abbia inizio qualsiasi apprendimento. Invece di alimentare una singola curva di potenza rumorosa in un grande modello, dividono il segnale in diversi blocchi più semplici, ognuno dei quali cattura diversi tipi di comportamento. Una tecnica avanzata chiamata CEEMDAN scompone la serie temporale originale in più componenti con ritmi differenti. Queste parti vengono poi raggruppate in due famiglie: fluttuazioni rapide e tremolanti e trend più lenti e più levigati. Le componenti più irrequiete passano a un secondo ciclo di raffinamento usando un altro metodo (VMD), i cui parametri interni non sono più scelti a tentativi ma ottimizzati automaticamente da uno schema ispirato al comportamento di caccia di una specie di uccelli. Questo processo di “decomposizione” in due fasi trasforma una curva aggrovigliata e difficile da prevedere in sotto‑segnali più puliti, ognuno dei quali è più facile da gestire.

Due percorsi di apprendimento specializzati

Una volta che il segnale di potenza solare è stato separato in componenti rapide e lente, il modello assegna a ciascun gruppo uno strumento di apprendimento differente che ne rispecchia il carattere. Le parti ad alta frequenza, che cambiano rapidamente e possono deragliare nel tempo, vengono affidate a un algoritmo leggero che può essere aggiornato online man mano che arrivano nuovi dati. Questo progetto gli consente di adattarsi rapidamente a cambiamenti improvvisi, come una striscia di nuvole che attraversa un parco solare. Le componenti a bassa frequenza, che descrivono l'andamento più ampio della potenza durante la giornata, vengono alimentate in un sistema ibrido che combina una rete capace di riconoscere modelli con un serbatoio dotato di grande memoria. Una parte si concentra nel riconoscere forme in brevi finestre di dati, mentre l'altra tiene traccia di come quelle forme evolvono nel tempo. Infine, le previsioni di entrambi i rami vengono sommate per formare un'unica previsione per il passo temporale successivo.

Test sotto cieli diversi

Per verificare se questa strategia funziona nel mondo reale, i ricercatori l'hanno applicata ai dati di due impianti solari molto diversi: uno nel Ningxia, Cina, e un altro nel deserto australiano. Questi siti sperimentano climi e stagioni distinti, offrendo una prova severa di flessibilità. Le previsioni del nuovo modello sono state confrontate con un'ampia gamma di concorrenti moderni, comprese diffuse soluzioni di deep learning come reti ricorrenti, convoluzioni temporali e recenti architetture basate su Transformer. Su tutte le misure di accuratezza, e in particolare nella cattura di rapidi ramp‑up e cali, il quadro ibrido decomposizione‑più‑apprendimento è risultato vincente. In un test chiave, ha spiegato circa il 99,7% della variazione nella produzione di potenza solare, riducendo nel contempo gli errori tipici molto al di sotto di quelli dei modelli di riferimento più performanti.

Cosa significa per la rete

In termini semplici, lo studio mostra che trattare l'energia solare come una miscela di rumore veloce e trend più lenti—e assegnare a ogni parte un motore di previsione su misura—può produrre previsioni al minuto molto più affidabili rispetto ai modelli universali. Per gli operatori di rete, previsioni migliori significano meno sorprese, meno energia di riserva sprecata e maggiore fiducia nel fare affidamento sul solare come risorsa importante. Nel tempo, questo tipo di previsione più intelligente potrebbe ridurre i costi operativi, tagliare il limitamento della produzione pulita e aiutare le reti ad assorbire livelli ancora più alti di rinnovabili senza sacrificare la stabilità.

Citazione: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Parole chiave: previsione della potenza solare, energia fotovoltaica, rete intelligente, integrazione delle energie rinnovabili, modellazione delle serie temporali