Previsione della produzione fotovoltaica tramite approcci data-driven: confronto tra modelli LGB e XGB

L’importanza della previsione accurata della produzione fotovoltaica è cruciale per ottimizzare l’integrazione delle fonti rinnovabili nei sistemi energetici. Il presente lavoro di tesi si concentra sul forecasting della produzione di energia fotovoltaica utilizzando dati storici di potenza relativi ad un impianto con una potenza nominale di picco pari a 476.10 kW localizzato nel Nord Italia, con l’obiettivo di confrontare le performance di due modelli di machine learning: Light Gradient Boosting Machine ed Extreme Gradient Boosting Machine. L’analisi è stata condotta utilizzando dati storici di potenza relativi a due distinte settimane rappresentative: si considera una settimana di Luglio (dal 20 al 26) e una settimana di Gennaio (dal 20 al 26). Questa scelta dipende dalla volontà di valutare l’impatto delle condizioni stagionali sulla performance dei modelli. Il confronto tra LGBM e XGBoost è stato effettuato attraverso l’analisi dei valori del Coefficiente di Determinazione (R^2), del Root Mean Square Error (RMSE) e del Normalized Root Mean Square Error (NRMSE) poiché forniscono indicazioni sulla precisione e sull’affidabilità delle previsioni. Per effettuare l’analisi è stato utilizzato Python, sfruttando varie librerie per la manipolazione dei dati. I risultati ottenuti mostrano come XGBoost sia il modello più adatto al forecasting della potenza fotovoltaica, in quanto si rivela capace di mantenere prestazioni affidabili anche in condizioni variabili.