Modelli data-driven per la previsione della producibilità idroelettrica in gruppi di bacini a scala regionale

La tesi, redatta in collaborazione con Enel Green Power, ha come obiettivo la modellazione della producibilità idroelettrica a scala regionale, per gruppi di bacini distribuiti sul territorio italiano, tramite l'utilizzo di modelli data-driven. Le variabili meteorologiche esplicative di input (precipitazione totale, temperatura, evapotraspirazione potenziale, precipitazione nevosa e altezza del manto nivale) utilizzate sia per la messa a punto del modello, sia per la sua applicazione per la previsione della producibilità futura, sono stati ottenuti dai database europei di Copernicus. Inizialmente sono stati testati dei modelli di regressione, si è poi passati all'utilizzo di modelli dotati di memoria, ovvero le reti neurali ricorrenti di tipo Long Short-Term Memory (LSTM). Per ogni gruppo di bacini è stato creato un modello per la previsione di producibilità, testandoli sia in simulazione (modalità hindcast), fornendo in ingresso i dati delle serie storiche, sia in previsione (forecast), per orizzonti di preannuncio (lead-time) da uno a sei mesi, inserendo in ingresso anche le previsioni meteorologiche. Le reti utilizzate sono risultate essere nel complesso un'alternativa migliore all'utilizzo del modello benchmark attualmente utilizzato (mediana mensile della producibilità), nonostante il drastico calo di affidabilità, già a partire dal secondo mese di lead-time, delle previsioni meteorologiche utilizzate in input.