Enhanced day-ahead PV power forecast by probabilistic ANN ensemble method and optimization of PV power plant in the UVAM scenario : a real case study

Photovoltaic (PV) power plants, among RES, constitute the reference technologies on which governments leverage to accomplish decarbonization targets. Renewable sources, relying on meteorological conditions, present high level of uncertainty and variability, introducing new di culties in ensuring grid stability and managing production, leading the researchers to experiment new methods and procedures for providing reliable forecasts. In the present thesis the Probabilistic Ensmeble Method (PEM) has been proposed. This new methodology aims at improving the accuracy of the PV power prediction. The proposed methodology represents a new way of performing the post-processing of the obtained data, based on a probabilistic analysis of the ANN outputs distribution. A deep analysis on the available datasets have been performed, together with classi cations of the days based on the normality distribution and on the expected radiation. The proposed method was tested on real data, belonging to a real PV plant at the Solar Tech Lab, for the years 2017, 2018 and 2019. In the second part of the thesis an economic analysis has been performed, based on a di erent real case study. Three load pro les located in Catania, Sicily have been analysed and two di erent optimizations have been performed: at rst, an energy based optimization and subsequently an economic one. The ultimate goal was to identify the best PV power plant con guration in terms of tilt, azimuth, number of modules and battery dimension to reach several objectives, as reducing the PayBack Time (PBT) or maximizing the NPV and the overall self consumption. In order to carry out those analysis, several speci cally tailored genetic algorithm have been implemented and investigated.

Gli impianti basati sulle energie rinnovabili, ed il fotovoltaico (PV) in particolare, rappresentano la tecnologia di riferimento delle politiche ambientali al ne di raggiungere gli obiettivi di decarbonizzazione. Le fonti rinnovabili, essendo basate sulle condizioni metereologiche, sono caratterizzate da alti livelli di incertezza e variabilit a, introducendo cos nuove di colt a nella gestione della rete elettrica e spingendo i ricercatori a sperimentare nuove procedure per migliorare l'a dabilit a delle previsioni. Nel presente lavoro di tesi, un nuovo metodo di aggregazione probabilistica, Probabilistic Ensmeble Method (PEM), e stato introdotto per migliorare l'accuratezza della previosione della produzione di un impianto solare. Il metodo proposto rappresenta un nuovo modo di aggregare i dati ottenuti sfrunttando una analisi probabilistica della distribuzione dei dati di output di una rete neurale (ANN). In aggiunta, e stata e ettuata una analisi dei dataset disponibili ed una classi cazioni dei giorni disponibili, basata sulla distribuzione normale e sulla radiazione prevista. Il metodo proposto e stato testato sui dati provenienti da un modulo fotovoltaico installato presso il Solar Tech Lab del Politecnico di Milano, riguardanti gli anni 2017, 2018 e 2019. Nella seconda parte della tesi e stata sviluppata una analisi economica basata su diversi casi studio. Sono stati analizzati tre diversi pro li di carico relativi alla citt a di Catania e due diverse ottimizzazioni sono state e ettuate, una energetica ed una economica. L'obiettivo nale di questa analisi era di identi care la migliore con gurazione di impianto possibile, in termini di tilt, azimuth, numero di moduli e dimensione della batteria, che permettesse di raggiungere una serie di obiettivi, tra cui la riduzione del tempo di rientro dell'investimento (PBT) o la massimizzazione dell'autoconsumo e del rientro economico (NPV) a 15 anni. Per sviluppare questa analisi sono stati studiati e sviluppati diversi algoritmi di ottimizzazione.