Nel 2017, con 25,2 TWh, l’Italia è stato il quinto paese al mondo per produzione di energia solare e l’undicesimo (17,7 TWh) per produzione di energia eolica, il che le ha permesso di coprire oltre un terzo della propria domanda elettrica con fonti rinnovabili (FER). Guardando al futuro, il Piano Energia e Clima (PNEC) di recente approvazione ha confermato e anzi innalzato gli obiettivi precedentemente fissati dalla Strategia Energetica Nazionale 2017, prevedendo per il 2030 una quota delle FER al 55,4% della generazione elettrica e al 30% dei consumi finali.
Tuttavia, la crescente quota di energia prodotta da Fonti Rinnovabili Non Programmabili (FERNP), come solare ed eolico, comporta nuove sfide per la stabilità della rete elettrica, sia a livello locale che nazionale. Infatti, la produzione degli impianti alimentati da FERNP distribuiti sul territorio modifica in maniera significativa l’andamento orario dei carichi a livello zonale che è necessario soddisfare con gli impianti di generazione tradizionale. La generazione distribuita da FERNP agisce sul carico zonale come un mancato consumo elettrico, dando luogo ad un effetto di “ombreggiamento del carico” (Fig.1).
Fig. 1 – Esempio dell’effetto di “ombreggiamento del carico” elettrico regionale
Quindi, le FERNP introducono nella domanda elettrica una componente stocastica legata all’intrinseca variabilità delle condizioni meteorologiche, rendendo il carico elettrico residuo sempre più intermittente e difficilmente prevedibile. Di conseguenza, l’elevata penetrazione di impianti alimentati da FERNP comporta l’incremento degli sbilanciamenti tra domanda e generazione (previsione della domanda) e una crescente difficoltà di costituzione dei margini di riserva necessari per gestire l’aleatorietà del carico garantendo sicurezza e stabilità alla rete. Inoltre, la scarsa diffusione di sistemi di previsione efficienti sta aggravando i problemi derivanti dall’aleatorietà delle FERNP, contribuendo a sottostimarne la produzione offerta sul Mercato del Giorno Prima (MGP) e sul Mercato Infragiornaliero (MI) e a incrementare l’errore di previsione di Terna sui fabbisogni orari zonali residui con il conseguente aumento dei volumi sbilanciati e dei relativi costi sul Mercato del Servizio di Dispacciamento (MSD).
Per questo motivo, si sono moltiplicati gli sforzi del mondo della ricerca nel definire sistemi previsionali sempre più accurati. Nel caso italiano, un team di ricercatori dell’Università di Roma “Tor Vergata”, dell’EURAC Research di Bolzano e della società di servizi meteorologici IDEAM Srl ha quantificato i vantaggi tecnico-economici derivanti dall’utilizzo di un accurato modello previsionale della generazione solare. Il team, utilizzando sofisticati algoritmi di apprendimento artificiale, ha sviluppato dei modelli di previsione dell’irraggiamento solare, la generazione fotovoltaica e il carico residuo con un livello di accuratezza in linea con lo “stato dell’arte” della ricerca. Utilizzando questi modelli e i dati orari della domanda elettrica italiana, dei costi zonali dell’energia sul MSD (ex-ante) e della generazione fotovoltaica ed eolica del 2016, i ricercatori hanno calcolato il volume e i costi degli sbilanciamenti e li hanno confrontati con i valori reali del medesimo anno.
Per misurare l’accuratezza previsionale in genere viene usata la radice quadrata dell’errore quadratico medio (RMSE) calcolato su di un anno di previsioni. Per valutare le prestazioni previsionali di un modello si confronta, invece, la sua accuratezza con quella di un modello di riferimento che prevede la persistenza temporale della variabile da prevedere (per esempio la radiazione di domani uguale a quella di oggi). Un modello previsionale sarà tanto più accurato quanto più il suo RMSE risulterà minore di quello ottenuto tramite il modello di persistenza. Inoltre, maggiore è l’errore della persistenza e maggiore è la difficoltà previsionale del sito e dell’anno considerato.
Per la previsione della radiazione solare vengono comunemente utilizzati i dati prodotti dai modelli numerici di previsione meteorologica (Numerical Weather Prediction, NWP). Tuttavia questi dati sono spesso affetti da errori sistematici che possono essere corretti con modelli di post-processamento statistico (Model Output Statistic, MOS).
La fig. 2 riporta gli intervalli di accuratezza ottenuti con diversi approcci previsionali in differenti paesi europei e le performance dei MOS sviluppati dal team di ricercatori e applicati a diversi NWP (WRF o ECMWF) in funzione degli errori del modello di persistenza. Come si vede, i risultati ottenuti dai MOS sono all’interno della banda di accuratezza ottenuta dagli altri approcci in condizioni simili di persistenza, ben al di sotto del valore medio.
Fig. 2 – Intervalli di accuratezza ottenuti con diversi approcci previsionali ed errore ottenuto con i MOS sviluppati da Tor Vergata.
Per prevedere la generazione solare di un singolo impianto si utilizzano modelli fisici o data-driven che trasformano le previsioni dell’irraggiamento e della temperatura (NWP eventualmente corrette tramite MOS) in potenza fotovoltaica prodotta. Su scala regionale, invece di prevedere la generazione di tutti gli impianti distribuiti sul territorio (di cui, in molti casi, non si conoscono le caratteristiche), vengono spesso utilizzati metodi di “upscaling”. Ovvero, o si effettua direttamente la previsione della generazione regionale come se fosse un impianto fotovoltaico “virtuale” o si prevede la produzione di un insieme di impianti spazialmente rappresentativi e si fa una media a livello regionale. Sebbene questi metodi ricorrano ad approssimazioni statistiche, la previsione regionale risulta più accurata di quella di singolo impianto. Infatti, su scala regionale la variabilità della radiazione diminuisce e la media riduce l’errore previsionale. Di conseguenza, l’accuratezza cresce al crescere dell’area della regione considerata. La fig. 3 mostra a tal proposito i valori di riferimento delle previsioni ottenute dal team di ricercatori in funzione dell’area su cui viene fatta la previsione.
Fig. 3 - Andamento dell’errore (RMSE) delle previsioni della generazione FV a 24 ore in funzione della superficie di controllo
La previsione del carico residuo e quindi della generazione si può ottenere sottraendo alla previsione della domanda elettrica la previsione della generazione solare ed eolica. La somma annua dei valori assoluti degli errori di previsione del carico residuo corrisponde esattamente al volume dell’energia sbilanciata in una anno.
La fig. 4 mostra la differenza tra il volume e i costi degli sbilanciamenti in Italia ottenuti nel 2016 con l’attuale modello di Terna per la previsione del carico zonale residuo e quelli ottenuti tramite i modelli sviluppati dal gruppo di ricercatori.
Fig. 4 - Volumi e costi degli sbilanciamenti in Italia relativi all’anno 2016
Utilizzando lo stato dell’arte delle previsioni solari sulle singole zone di mercato si potrebbe riuscire ad abbattere l’energia annua sbilanciata del 12,6% e i costi per Terna sul MSD del 18%. Se invece si espandesse la zona di previsione del carico residuo a tutta Italia, tramite la rimozione dei colli di bottiglia della rete di trasmissione nazionale tra le diverse zone di mercato, si potrebbe ottenere una riduzione degli sbilanciamenti del 27,4% e del 30% per quanto riguarda i costi.
I vantaggi derivanti dall’uso di più accurati modelli per la predizione dell’energia prodotta da FERNP quali eolica e fotovoltaica basati su dati NWP e più sofisticati algoritmi di apprendimento artificiale saranno ancora più evidenti in futuro. Non a caso, il Piano Energia e Clima, nel fissare gli obiettivi al 2030 prevede che “l’elevata quantità di fonti rinnovabili non programmabili costringerà a mantenere disponibile una significativa quota di capacità di generazione termoelettrica, al fine di garantire i necessari margini di riserva per l’esercizio in sicurezza del sistema”.
Il team che ha partecipato alla definizione del modello qui presentato è composto da Marco Pierroa,d, Enrico Maggionic, David Moserd, Alessandro Perottoc, Francesco Spadac, Cristina Cornaroa,b.
aDepartment of Enterprise Engineering, University of Rome Tor Vergata
bCHOSE, University of Rome Tor Vergata
cIdeam Srl
dEURAC Research
