Techno-economic optimization of ground-mounted utility-scale photovoltaic plants

In recent years, the rapid growth of the photovoltaic sector has driven the need for advanced tools to optimize large-scale PV systems. This study presents GROOVE, a Python-based software for the technical and economic optimization of ground-mounted utility-scale PV systems. The tool integrates terrain data, interconnection constraints, component specifications, and cost parameters to deliver an optimized system layout. GROOVE supports both fixed-tilt and N–S tracking systems, including backtracking and bifacial options. The technical workflow is based on the one of PVsyst and implemented using open-source PVlib functions, technical literature, and a submodel based on neural network developed to efficiently estimate diffuse and albedo shading factors with the potential to be extended to other loss parameters or even to emulate the entire PV system model. Model validation against PVsyst shows an average annual error of only 1–3\% in equivalent hours. Economic performance is assessed through a detailed cash flow analysis optimizing KPIs such as IRR, NPV, and Development Fee. A real-world case study in the Bologna province confirms the tool’s reliability and applicability.

Negli ultimi anni, la rapida crescita del settore fotovoltaico ha reso necessario l'utilizzo di strumenti avanzati per l'ottimizzazione di impianti fotovoltaici di larga scala. Questo studio presenta GROOVE, un software basato su Python per l'ottimizzazione tecnica ed economica di impianti fotovoltaici a terra (ground-mounted) di grandi dimensioni (utility scale). Lo strumento integra dati del terreno, vincoli di interconnessione, specifiche dei componenti e parametri di costo per fornire un layout di sistema ottimizzato. GROOVE supporta sia sistemi a inclinazione fissa che a inseguimento N-S che, includendo backtracking e moduli bifacciali. Il flusso di lavoro per la parte di calcolo energetico si basa sul quello di PVsyst ed è implementato utilizzando funzioni della libreria open source PVlib, letteratura tecnica e un sottomodello basato su una rete neurale sviluppato per stimare in modo efficiente i fattori di ombreggiamento diffuso e di albedo, con la possibilità di essere esteso ad altri parametri di perdita o persino di emulare l'intero modello di impianto fotovoltaico. La verifica del modello rispetto a PVsyst mostra un errore medio annuo di solo l'1-3% in ore equivalenti. La performance economica viene valutata attraverso un'analisi economica dettagliata che ottimizza KPI come IRR, VAN e commissione di sviluppo. Uno studio di caso reale nella provincia di Bologna conferma l’affidabilità e l’applicabilità dello strumento.