Antonio Costantino Marceddu

Il tesista lavorerà su un progetto relativo alle comunità energetiche, che sono aggregazioni di utenti che convivono energia prodotta da fonti rinnovabili. In particolare, la tesi verterà su piccole comunità energetiche in condomini, dove la generazione di energia elettrica avviene prevalentemente con impianti fotovoltaici eventualmente supportati da sistemi di stoccaggio elettrochimico dell’energia (batterie al litio). L’obbiettivo dello studente è duplice:
1- Realizzare una piattaforma accessibile tramite browser, in cui l’utente segue una procedura guidata per selezionare gli input delle simulazione, come ad esempio le caratteristiche della comunità energetica (numero di utenti, numero di sistemi di generazione fotovoltaica e/o accumulo e loro caratteristiche tecniche). Tale piattaforma dovrà essere user-friendly per supportare qualunque tipo di stakeholder nel processo si realizzazione/simulazione della comunità energetica. Il software sarà collegato ad un database per poter salvare dati e casi studio, in modo da poter salvare il lavoro e continuare in una nuova sessione.
2- Realizzare il codice che:
– Calcolerà i flussi energetici prodotti (da fotovoltaico), stoccati (nelle batterie), scambiati fra i diversi utenti e scambiati con la rete
– Calcolerà i flussi finanziari ed i relativi ritorni economici per le diverse utente che partecipano alla comunità energetica
– Mostrerà un report con le informazioni sia a livello dettagliato che in maniera semplificata per gli stakeholder non tecnici.
La piattaforma verrà realizzata all’interno del sito del politecnico e resa disponibile al pubblico in modalità da definire.
Gli interessati possono contattare i docenti
Alessandro Ciocia – Alessandro.ciocia@polito.it
Antonio Costantino Marceddu – antonio.marceddu@polito.it
Bartolomeo Montrucchio – bartolomeo.montrucchio@polito.it

Il lavoro di tesi si inserisce nel contesto del progetto di ricerca SentinelPV, che mira allo sviluppo di metodologie innovative per la previsione della produzione fotovoltaica su larga scala, utilizzando un numero limitato di impianti rappresentativi (“sentinel”).
L’obiettivo della tesi è lo sviluppo e l’analisi di modelli di machine learning per la previsione multisito della produzione fotovoltaica, con particolare attenzione alla scalabilità e alla capacità di generalizzazione su reti di impianti distribuiti.
L’attività si articolerà nelle seguenti fasi principali.
1. Analisi dei dati e preprocessing
Il tesista lavorerà su dataset reali comprendenti:
produzione fotovoltaica,
dati meteorologici (irradianza, temperatura, ecc.),
eventuali dati geospaziali.
Saranno sviluppate tecniche di preprocessing e feature engineering, incluse:
pulizia dei dati e gestione dei missing values,
riduzione dimensionale,
analisi di correlazioni spaziali e temporali.
2. Modellazione machine learning multisito
Il cuore della tesi sarà lo sviluppo di modelli predittivi per la produzione fotovoltaica su più siti, affrontando il problema della limitata osservabilità dei sistemi reali.
Saranno esplorati diversi approcci, tra cui:
modelli di machine learning tradizionali (Random Forest, Gradient Boosting);
modelli deep learning per serie temporali (LSTM, CNN, Transformer);
approcci avanzati per il multisito, come modelli spatio-temporali e Graph Neural Networks.
Particolare attenzione sarà dedicata a:
modellazione delle correlazioni spaziali tra impianti;
utilizzo di un sottoinsieme di impianti per stimare il comportamento di una rete più ampia;
confronto tra approcci single-site e multi-site.
Queste tematiche sono centrali nello stato dell’arte della previsione fotovoltaica, dove l’uso di modelli ML consente di catturare relazioni non lineari e dipendenze spazio-temporali complesse .
3. Validazione e analisi delle performance
I modelli sviluppati saranno valutati tramite metriche standard (RMSE, MAE, ecc.) e confrontati tra loro.
Verranno inoltre analizzati:
la robustezza rispetto a dati incompleti o rumorosi;
le prestazioni su diversi orizzonti temporali (intra-day, day-ahead);
la capacità di generalizzazione su siti non osservati.
Risultati attesi
Il lavoro porterà a:
lo sviluppo di modelli avanzati per la previsione multisito;
una valutazione comparativa delle diverse tecniche di machine learning;
un contributo concreto allo sviluppo dell’architettura SentinelPV.