Previsione della produzione di fonti rinnovabili non programmabili - D. Ronzio 12 Ottobre 2017

12 Ottobre 2017

 Previsione della produzione
di fonti rinnovabili non programmabili

 D. Ronzio

Indice

 Introduzione
 Necessità di un approccio previsionale Multi-Model
 Previsione di produzione solare ed eolica di impianti
 singoli ed aggregati
 Previsione di prezzo PUN e zonale
 Conclusioni

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Introduzione

RSE S.p.A. - Ricerca sul Sistema Energetico
(Gruppo GSE S.p.A. – Gestore dei Servizi Energetici)
350 persone - Sedi: Milano – Piacenza (http://www.rse-web.it)
)

  Fonti rinnovabili:
 previsione modellistica e monitoraggio
 GdR:  Cambiamenti climatici
 Clima e impatto sul sistema elettro-energetico
 Meteorologia  Sicurezza della rete elettrica
 (ghiacciamento linee HV, temporali) -
 sperimentazioni e modellistica
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Introduzione Fonti rinnovabili NON
 PROGRAMMABILI (FRNP)
 Forti instabilità sulla rete

 Produzione Domanda
 Non rinnovabili
 Utenze domestiche

 Programmabili

 Rinnovabili
 Industria

 NON
 Programmabili

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Introduzione – FRNP in Italia
 35% delle rinnovabili

Fonte GSE: Rapporto statistico “Energia da
fonti rinnovabili in Italia, Anno 2015.

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Introduzione

 Sistema
 Meteorologia
 energetico
 Richiesta di dati meteo Rinnovabili

 Passato Futuro
Pianificazione
 Borsa dell’energia
Tempi di ritorno degli investimenti

Controllo del funzionamento degli Gestione degli
impianti di produzione da sbilanciamenti della rete
rinnovabili (fotovoltaico, eolico) elettrica
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Introduzione - Tecniche diverse per obiettivi diversi

Previsioni a breve scadenza (1÷3 giorni) di producibilità solare
• necessarie per offrire in borsa la potenza immessa in rete e
 per la gestione in sicurezza della rete di trasporto.
• gestione di sistemi di controllo (Smart Grid) NWP

Previsioni a brevissima scadenza (1÷3 ore, nowcasting) di
producibilità solare
• gestione di sistemi di controllo
• sicurezza di impianti solari termici Remote sensing + NWP

Monitoraggio in tempo reale di producibilità solare e
consuntivazione a scala settimanale-mensile
• fondamentali per la valutazione dell’efficienza degli impianti e
 della caratterizzazione climatologica dei siti. Remote sensing/obs
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Modellistica meteorologica

Il modello meteorologico è una
rappresentazione semplificata
della realtà, descritta con
equazioni differenziali che
descrivono il comportamento
della natura
NON ESISTE una soluzione
analitica semplice delle
equazioni, valida in continuo
per tutti i punti della superficie
terrestre

 Rappresentazione 3D dei campi di vento
Discretizzazione: punti di griglia di un modello meteo a scala globale
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Modellistica meteorologica – in uso presso RSE
Modelli Globali (IFS/ECMWF, GFS/NOAA)
• Output dei modelli globali:
 • Z, T, Q o RH, U,V su 12 (IFS) o 24 (GFS) livelli verticali;
 • SST, Tsurf, Psurf;
 • Tsoil, Wsoil, aerosol (previsioni da MACC/ECMWF).
• Risoluzione spaziale di 0.125° per IFS e 0.25° per GFS
• Risoluzione temporale di 6h per IFS, 3÷6h per GFS
• Campi superficiali “rilevanti” anche a passo orario

Modelli ad area limitata
Risoluzione spaziale: Parametrizzazioni WRF-ARW RAMS
• WRF-ARW: 4km x 4km WDM6 (6 Cotton (7
• RAMS: 5km x 5km Microfisica
 idrometeore) idrometeore)
Risoluzione temporale: Radiazione Harrington
• 1 ora, possibile scendere a 15’ RRTMG
 modificata
 (solare e termica)
Corse a 00UTC+72 e 12UTC+84 Land Surface
 Noah LEAF3
Principali uscite: Model
• pressione, temperatura, umidità, YSU - Yonsei Mellor-Yamada-
 geopotenziale, copertura nuvolosa; PBL physics
 University Janjic
• intensità e direzione del vento;
• irradianza solare su piano orizzontale Cumulus scheme Non attivato Kain Fritsch
 diretta, diffusa, globale, DNI;
• precipitazioni liquide e nevose... Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Multi Model – modellistica meteorologica

Utilizzo di più modelli dalle differenti parametrizzazioni:
• 2 diversi driver (IFS/ECMWF e GFS/NOAA)
• 2 modelli regionali (WRF e RAMS)
In generale vi è una forte variabilità nelle prestazioni dei modelli.
Una media (eventualmente opportunamente pesata) degli output riduce l’errore previsionale

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Modellistica meteorologica – Multi Model - GHI

 A sinistra, valore medio della GHI
 Sotto, rapporto tra “deviazione
 standard” e valore medio

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Modellistica meteorologica – Multi Model - GHI

 A sinistra, valore medio della GHI
 Sotto, rapporto tra “deviazione
 standard” e valore medio

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Modellistica meteorologica – Multi Model – vento a 100m

 A sinistra, valore medio
 dell’intensità del vento a 100m
 Sotto, rapporto tra “deviazione
 standard” e valore medio

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Multi Model – post-processing

 GFS/NOAA IFS/ECMWF

 WRF-ARW RAMS Dati storici di
 produzione

 Campi Modelli statistici
 meteorologici
 medi Analog Ensemble
 Quantile Regression

 NN/SVR

 Caratteristiche Modello
fisiche dell’impianto fisico
 Energia producibile da
 un impianto singolo
 o da aggregazioni
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Post-processing utilizzati - NN
1. Rete neurale (Neural Network, NN)

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Post-processing utilizzati - AN

2. Analog Ensemble (AN, Delle Monache-NCAR)

La tecnica Analog effettua la ricerca della relazione tra le previsioni attuali e quelle contenute in un dataset di
addestramento, effettuate con lo stesso modello meteorologico deterministico, per il medesimo orizzonte
temporale.

Il dataset di addestramento può contenere dati del recente presente, del passato e del futuro.

Sono necessarie le serie (almeno orarie) della coppia (predittori,misure). Le misure , non necessariamente della
stessa quantità da predire, ma le misure devono essere correlate ai predittori (le variabili previste dal modello
numerico meteorologico).

La previsione di potenza per un certo giorno D si ottiene effettuando i seguenti passaggi:
• Si producono le previsioni dei predittori per il giorno D, ora t: Dt.
• Si calcolano le distanze (secondo una qualche metrica) tra il set di predittori Dt e quelli all’ora t di tutti i giorni
 presenti nel dataset di addestramento.
• Si determinano gli eventi temporali per cui si hanno le minori distanze, a seconda di una particolare
 metrica utilizzata → selezione degli eventi più simili a quello previsto Dt.
• Si costruisce un set significativo costituito dalle misure rilevate in corrispondenza degli eventi 
• Se l’insieme di addestramento è sufficientemente completo e i predittori significativi, da questo set significativo
 di misure possono essere estratte informazioni sul valore atteso di potenza producibile e sull’incertezza della
 stima, in quanto si può definire valor medio, mediana, IQR e deviazione standard.

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Post-processing utilizzati – AN

2. Analog Ensemble (AN, Delle Monache-NCAR)

Metriche utilizzate per il caso solare (per l’eolico si utilizza la DM-NCAR):
 Scale factor Measure Time average Weights , − , 

 − Homogeneous No 1 1 
 1
 2 1
 − ∙ −1 ∙ − ; = 
 Mahalanobis 

 − Absolute No 1 
 1
 − , 
 , 
 =1

 − DM-NCAR Yes 1 +1
 1
 2
 1 1 1 2
 , + − , + 
 
 =1 =−1

• La Absolute calcola un errore assoluto normalizzato per le varianze Quali predittori utilizzare?
 dei singoli predittori. Solare:
• La DM-NCAR effettua anche una media temporale delle ore adiacenti • Leadtime, Zenit e Azimut;
 a quella da prevedere.
 • Radiazione su piano orizzontale
• La Mahalanobis considera come normalizzazione la matrice di
 covarianza (contenente le varianze sulla diagonale principale e le GHI e DHI; DNI;
 covarianze fuori diagonale): per predittori indipendenti, è molto • Temperatura di pannello;
 simile alla Absolute. • Contenuto di acqua precipitabile.
 Eolico:
 • Leadtime; intensità e direzione a
 Previsione della produzione da FRNP, diverse quote
 UnPonte2017 12/10/2017

Post-processing utilizzati - QR

3. Quantile Regression (QR)

Data una variabile casuale Y, la regressione quantile Q(τ) è il valore per cui la probabilità di ottenere valori di Y inferiori
a Q(τ) sia pari a τ. Q(τ) può essere espresso come combinazione lineare di alcuni regressori noti e coefficienti non noti.

Il quantile τ (compreso tra 0 ed 1) è modellizzato come: = 0 + 1 1 + ⋯ + 
in cui xp sono i p regressori noti e sono i coefficienti non noti, dipendenti da τ e determinabili da N osservazioni.
I coefficienti sono determinati minimizzando la funzione: [( − 0 + 1 ,1 + ⋯ + , )]
 , ≥0
in cui la funzione di controllo ρτ è definita come: =
 − 1 , < 0

Per evitare quantili poco realistici (ad esempio un quantile inferiore che ne incrocia uno superiore) si deve stimare
direttamente la potenza producibile anziché l’errore previsionale. In questo modo dovrebbe anche essere assicurato il
non superamento dei valori limite di produzione (produzione nulla e capacità nominale).

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Produzione solare (impianto rilevante con inseguitore azimutale)

 Giorno tipo - UP 6800101 - 2013-08
 20

 15
 Energia [MWh]

 10

 5

 0
 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

 -5
 Pmis P_NN P_AN_N P_AN_A P_AN_D
 Previsione della produzione
 Err_NN da FRNP,
 Err_AN_N Err_AN_A Err_AN_D
 UnPonte2017 12/10/2017

Produzione solare (impianto rilevante fisso)

 12 Giorno tipo - UP 6800201 - 2013-08

 10

 8
 Energia [MWh]

 6

 4

 2

 0
 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
 -2
 Previsione della produzione
 Pmis da FRNP,
 P_NN P_AN_N P_AN_A P_AN_D
 UnPonte2017 12/10/2017 Err_AN_N
 Err_NN Err_AN_A Err_AN_D

Produzione solare (impianto minore, espo=214°, tilt=65°)

 8 Giorno tipo - UP=6700301 (Gavardo) - 2013-07
 7

 6
 Energia [MWh]

 5

 4

 3

 2

 1

 0
 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
 -1
 Pmis P_NN P_AN_N P_AN_A P_AN_D
 Previsione dellaErr_NN
 produzione da FRNP,
 Err_AN_N Err_AN_A Err_AN_D
 UnPonte2017 12/10/2017

Produzione solare (eclissi solare del 20/03/2015)

Previsione “facile” di eclissi Previsione “difficile” che dipende dalla meteorologia
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Produzione eolica – Multi Model – caso eolico

Produzione eolica di impianti rilevanti
(Centro e Sud Italia)
• AN: linee verdi
• QR: linee rosse
• Misure: linee nere

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Produzione eolica – Multi Model performance (caso eolico)

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Produzione solare – Multi Model – livello provinciale (caso solare)
 80%
 Confronto tra diversi metodi di post-
 Percentuale score migliori - P da valori medio della pdf
 processing per individuare la migliore 70%
 configurazione predittiva. rMAE rRMSE rBIAS
 60% 55.7%

 Sono stati esaminati i dati di 50%
 produzione solare non rilevante 40.6%
 40%
 aggregati a livello provinciale.
 30% 26.4%
 23.6%
 20.8%
 20% 78.3%
80% 11.3%
 Percentuale score migliori - P da mediana della pdf 8.5% 9.4%
 10%
70%
 rMAE rRMSE rBIAS 0.9%
 0.0% 0.9%
 0.0% 0.0%
 0.0% 0.0%
 0.0%
 1.9%
 0.0%
 0%
60%
 AAND AANE AANF AQRS BANA BAND BANE BANI BQRS
50%

40% 35.8% 35.8%

30%

20%
 12.3% 13.2%
 11.3%
10% 5.7%
 3.8%
 0.9%
 0.9% 1.9%
 0.0%
 0.0% 0.0%
 0.0% 0.0%
 0.0% 0.0%
0%
 AAND AANE AANF AQRS BANA BAND BANE BANI BQRS
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Previsione del prezzo unico zonale (PUN)
 Predittori utilizzati per fare la previsione di prezzo unico nazionale (PUN)
 e zonale (includendo NTC solo per il Nord Italia) [Davò et al., 2016¥].
 Historical Prices [P]: as historical data set we used the price of the day before for days from Tuesday to Friday, and the price of the week before for the
 remaining days, since the trend of the price in the week-end is different from the trend during the week.
 Forecast load [L]: in price forecasting the estimated demand has always played an important role and it seems to be the variable that most influence the price.
 The hourly data of forecast load have been made available by the Italian TSO Terna .

 Wind and Solar Power Production [W]: an high production of renewable energy can decrease the price since it is sold at a price close to zero.
 For this reason we used as predictors the hourly wind and solar power forecasts available on Terna website.

 Plenty or shortage of water [Y]: hydroelectric power production represents around the 48% of the total renewable production, but since we did not have
 forecasted data of hydro power for the day ahead, we considered five levels of weekly production, available on Terna website.
 The Net Transfer Capacity (NTC) on the national border [N]: Italy imports around the 12% of its requirements, turning out to be the major importer of
 electricity from abroad in the Europe; hourly data of NTC are available on Terna website.
 Gas Price [G]: the inflation and the gas prices can affect the electricity price. For this study, only monthly data of gas prices are used.
 Hour Effects [H]: prices follow particular trends during each day, therefore it is essential to distinguish the hours.
 Calendar Attributes: events as holidays and festivities affect the price. The price data have also some monthly [M] and seasonal [S] variations.

 Metodi utilizzati:
 • Neural Network (NN)
 • Support Vector Regression (SVR)
 • LR e Persistenza (controlli)
 • Periodo esaminato: 2014 (training) ÷ 2015 (verifica)
¥ Davò, F., et al., 2016: “Forecasting Italian electricity market prices using a Neural Network and a Support Vector Regression”,
AEIT International Annual Conference (AEIT), 2016.
 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Previsione di PUN
I metodi NN e SVR sono stati utilizzati per prevedere sia il PUN
che il prezzo zonale di NORD, CNOR, CSUD e SUD.
Il PUN è quello a cui sono soggette la maggior parte delle offerte di
domanda. I prezzi zonali differiscono dal PUN in caso di presenza di
congestioni

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Previsione di prezzo PUN e zonale (best case)

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Sommario e conclusioni
Per effettuare una previsione di produzione per FRNP si devono considerare:
• Differenti scale temporali:
  Per previsioni a brevissimo termine sono necessari dati da remote sensing per migliorare la previsione
  Per previsioni a breve-medio termine (oltre le 12 ore) è necessario utilizzare un NWP
• Differenti modelli numerici di previsione:
  È consigliabile un sistema multi model per ridurre l’errore
  Ogni modello NWP presenta delle problematicità, nelle parametrizzazioni utilizzate e nelle condizioni iniziali
  Gli approcci probabilistici (EPS, LEPS) cercano di risolvere l’incertezza insita nella definizione delle condizioni
 iniziali
  Un sistema multi-model introduce solo una variabilità legata alle parametizzazioni
• Differenti sistemi di post-processing:
  Gli NWP forniscono campi meteorologici, non informazioni energetiche
  Si devono quindi sviluppare tecniche ad hoc per correlare la meteorologia con l’energia:
  Modelli fisici, che necessitano di informazioni specifiche degli impianti
  Modelli statistici, che utilizzano periodi di addestramento di previsioni e serie temporali di misure:
 o NN (SVM)
 o AN e QR: forniscono delle distribuzioni di probabilità
• Sistemi di storage:
 Per l’intrinseca impossibilità di fornire una previsione “esatta” se l’intervallo temporale di previsione supera le 9-
 12 ore (ma spesso anche molto prima…), la rete si dovrebbe premunire di un sistema di storage per cercare di
 ridurre gli sbilanciamenti, e quindi la richiesta di riserva.

 Previsione della produzione da FRNP,
 UnPonte2017 12/10/2017

Dario Ronzio
Ricerca sul Sistema Energetico RSE S.p.A
 V. Rubattino, 54 Milano
 Tel: 02 39925189
 Mail: dario.ronzio@rse-web.it

 GRAZIE