Short-term photovoltaic power forecasting: performance analysis of predictive models for smart grids applications

As the global energy landscape shifts towards renewable sources, solar photovoltaic (PV) energy has emerged as a crucial component of the transition. However, the inherent intermittency of solar power—heavily dependent on weather conditions and day-night cycles—poses significant challenges for grid stability and energy management. This thesis addresses the critical need for accurate forecasting of PV electricity production. The primary objective of this research is to compare different predictive models for day-ahead energy generation forecasting with high precision. By analyzing historical production data and correlating it with key meteorological variables—such as solar irradiance, temperature, and cloud cover—this study aims to minimize prediction errors within a 24-hour horizon. The methodology involves the application of advanced data analysis techniques to translate day-ahead weather forecasts into expected power output, providing a reliable tool for short-term smart grid management. The numerical results, evaluated primarily through the Mean Absolute Error (MAE), reveal that there is no single 'optimal' model universally superior to others. The performance of each predictive technique varies significantly based on several factors, including the geographical location of the site, the technical specificities of the PV plant, and the quality and granularity of the available data. While some models exhibit higher robustness in stable weather conditions, others prove more adaptive to high meteorological variability. Consequently, the selection of the most effective forecasting tool must be tailored to the specific operational context and the local climate characteristics. The results demonstrate that improved forecasting accuracy allows for better integration of solar energy into the electrical grid. Furthermore, this predictive capability is essential for optimizing energy storage systems and ensuring a balance between supply and demand. Ultimately, this work contributes to making solar energy a more reliable and programmable resource, facilitating a more efficient and sustainable energy future.

Nell'attuale scenario di transizione verso le fonti rinnovabili, l'energia solare fotovoltaica ha assunto un ruolo centrale. Tuttavia, l'aleatorietà intrinseca di questa fonte – strettamente legata alle condizioni meteorologiche e all'alternanza giorno notte – rappresenta una sfida critica per la stabilità della rete elettrica e la gestione dei flussi energetici. Questa tesi affronta la necessità fondamentale di ottenere stime accurate della produzione elettrica da impianti fotovoltaici. L'obiettivo principale di questa ricerca è confrontare diversi modelli predittivi in grado di stimare la produzione energetica del giorno successivo (day-ahead) con un elevato grado di precisione. Analizzando i dati storici di produzione e mettendoli in relazione con le principali variabili meteorologiche — come l'irraggiamento solare, la temperatura e la copertura nuvolosa — lo studio punta a ridurre al minimo l'errore di previsione su un orizzonte temporale di 24 ore. La metodologia si basa sull'applicazione di tecniche avanzate di analisi dati per trasformare le previsioni meteo in potenza elettrica attesa, fornendo così uno strumento affidabile per la gestione a breve termine delle smart grids. I risultati numerici, valutati principalmente attraverso l’errore medio assoluto (MAE), dimostrano che non esiste un singolo modello 'ottimale' superiore agli altri in senso assoluto. L’efficacia di ogni tecnica predittiva varia sensibilmente in base a diversi fattori, tra cui la posizione geografica del sito, le caratteristiche tecniche dell’impianto fotovoltaico e la qualità dei dati a disposizione. Mentre alcuni modelli mostrano una maggiore robustezza in condizioni meteorologiche stabili, altri risultano più capaci di adattarsi a contesti di alta variabilità climatica. Di conseguenza, la scelta dello strumento di previsione più efficace deve essere necessariamente adattata al contesto operativo specifico e alle caratteristiche del clima locale. I risultati dimostrano che una maggiore accuratezza previsionale favorisce una migliore integrazione del fotovoltaico nella rete elettrica. Tale capacità predittiva risulta inoltre essenziale per l'ottimizzazione dei sistemi di accumulo e per garantire il bilanciamento tra domanda e offerta. In definitiva, questo lavoro contribuisce a rendere l'energia solare una risorsa più affidabile e gestibile, facilitando un futuro energetico più efficiente e sostenibile.