Sviluppo e validazione di una piattaforma cloud-based per il monitoraggio e la previsione della generazione fotovoltaica

Uno dei principali limiti delle energie rinnovabili è l'imprevedibilità della loro disponibilità, in particolare per l'energia solare, la cui variabilità dipende da fattori atmosferici e stagionali. Questa incertezza influisce sulla stima della potenza generata da un impianto fotovoltaico, compromettendo la previsione dell'energia disponibile per la rete elettrica. Questo lavoro di tesi si propone di sviluppare un sistema di monitoraggio per un impianto fotovoltaico, integrando dashboard per la visualizzazione di dati meteorologici e misure elettriche, nonché previsioni di potenza ottenute tramite tecniche di forecasting. A tal fine, sono stati raccolti dati meteorologici (irraggiamento, temperatura, umidità) dalla piattaforma "open-meteo.com" e misure elettriche da un impianto fotovoltaico presso il Dipartimento di Ingegneria dell'Università di Bologna, archiviandoli in un database InfluxDB. Questi dati sono stati impiegati come input per modelli predittivi basati su tecniche di machine learning, tra cui Random Forest, XGBoost e LSTM. Le previsioni e i dati raccolti sono stati resi accessibili tramite dashboard in Grafana, organizzate in tre sezioni: condizioni meteorologiche, dati dell’impianto e previsioni di potenza. Un analisi sulle previsioni che comprendono una range temporale di 7 giorni ha mostrato che il modello basato su Random Forest è lievemente più accurato in termini di RMSE, MAE e R².