Thesis Description & Objectives
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.
