Presentazione di Elena Collino e Dario Ronzio dedicata a contributo del fotovoltaico ad alta efficienza nella transizione energetica con il focus di Dario Ronzio sul machine learning per la stima di DNI

1. Misure della radiazione solare diretta – nuove opportunità per le
tecnologie rinnovabili
“Come supportare la transizione energetica con il fotovoltaico ad alta
efficienza? ”
Elena Collino, RSE
07 Giugno 2022

2. • Introduzione e motivazioni
• La prima rete nazionale di misura della radiazione solare spettrale
• I dati satellitari
• Commenti
Ordine del giorno
2

3. Introduzione
3
Finanziamento Ricerca di Sistema (RdS):
In bolletta -> Spesa per Oneri di Sistema
(1% per la Ricerca di Sistema)
✓ Sviluppo Sostenibile e
Fonti Energetiche
✓ Tecnologie di Generazione
e Materiali
✓ Tecnologie di
Trasmissione e
Distribuzione
✓ Sviluppo Sistemi
Energetici
Quattro dipartimenti

4. Introduzione
4
Progetto RdS 2019 - 2021:
FOTOVOLTAICO AD ALTA
EFFICIENZA
✓ Cambiamenti climatici e loro
impatto sul sistema elettro-
energetico
✓ Sperimentazioni e modellistica
su fenomeni di particolare
rilevanza per la sicurezza della
rete elettrica (Ghiacciamento
linee)
✓ Modellistica per previsione e
monitoraggio della produzione
rinnovabile
Gruppo di Ricerca CLIMA e
METEOROLOGIA
«Il sole manda sulla Terra 8700
volte l’energia di cui tutta la
popolazione mondiale ha bisogno»
Mathilda Masters – 123 cose intelligenti da sapere sul clima

5. Introduzione
5
A che punto siamo?
• Obiettivo Italia: 52 GW di potenza solare installata e 74 TWh di energia FV prodotta
al 2030, rispetto ai 22,6 GW e 25,1 TWh del 2021

6. Introduzione
6
A che punto siamo?
• Obiettivo Italia: 52 GW di potenza solare installata e 74 TWh di energia FV
prodotta al 2030, rispetto ai 22,6 GW e 25,1 TWh del 2021
• Dobbiamo accelerare
• La produzione cambia in funzione della meteorologia, invecchiamento, malfunzionamenti

7. Introduzione
7
Come si può agire per raggiungere gli obiettivi?
• Nuove tecnologie FV
• Migliore pianificazione
• Monitoraggio continuo dell’efficienza

8. Introduzione
8
Come si può agire per raggiungere gli obiettivi?
• Nuove tecnologie FV
• Migliore pianificazione
• Monitoraggio continuo dell’efficienza
Qual è l’elemento basilare per affrontare questi tre aspetti?
La conoscenza accurata della risorsa primaria

9. Introduzione
9
✓ DNI tende ad annullarsi in presenza di nuvolosità
✓ DNI dipende dalla «trasparenza» atmosferica
✓ La stessa GHI può essere determinata da frazioni
diverse di DNI e DIF
DHI = Direct Horizontal Irradiation
DNI = Direct Normal Irradiation
DIF = Diffuse Horizontal Irradiation
SZA = Solar Zenith Angle

10. Introduzione
10
✓ LA GHI è il fattore determinante nella
produzione da FV piano
✓ Gli errori nella stima e previsione di DNI sono il doppio degli errori commessi sulla GHI A.
Habte, S. Wilbert, C. Gueymard, e J. Remund, «Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications:
Third Edition», gen. 2021.
E’ necessario approfondire la ricerca su stima e
previsione di DNI
E’ sufficiente
la conoscenza
della DNI?
✓ La DNI è il fattore determinante nella produzione da
CPV e da impianti ad inseguimento

11. Introduzione
11
✓ Le celle FV sfruttano in modo
diverso la radiazione solare in
funzione dell’intervallo spettrale.
✓ Vengono costruite celle
multigiunzione, cioè a diversi strati,
ciascuno in grado di sfruttare
porzioni diverse dello spettro
Licor and Winter, S., Friedrich, D., and Sperling, A., “Effects of the new standard IEC 60904-3:2008 on the calibration results of
common solar cell types. 24th European Photovoltaic Solar Energy Conference, 21-25 September 2009, Hamburg, Germany.
E’ sufficiente
la conoscenza
della DNI?

12. La prima rete nazionale di misura della radiazione solare spettrale
12
• Milano (sede RSE)
• Piacenza (sede RSE)
• Catania (collaborazione RSE-
EnelGreenPower)
• Macchiareddu (collaborazione RSE-
Sardegna Ricerche e Univ di Cagliari)
Dal 2016
Solar Spectral
Irradiance Meter
(SSIM) Macchiareddu (CA)

13. La prima rete nazionale di misura della radiazione solare spettrale
13
Lo spettrofotometro fornisce:
• Spettri di DNI in condizioni di cielo sereno o parzialmente nuvoloso
• Aerosols transmission (parametri α,β di Ångström)
• Ozone transmission
• Water vapour transmission
Gli strumenti al suolo sono rari perché:
costosi, difficili da manutenere, necessaria periodica calibrazione
Stime indirette di
radiazione solare
Fondamentali per la
verifica degli algoritmi
di stima
Metodo
ARTEMIS

14. 14
La simulazione della produzione CPV al variare dei predittori:
DNI integrata
rMAE = 9.3%
DNI relativa alle
tre giunzioni
rMAE = 7.2%
DNI relativa alle tre
giunzioni, vapor
d’acqua, ozono,
aerosol
rMAE = 5.5%
E’ sufficiente
la conoscenza
della DNI?
La prima rete nazionale di misura della radiazione solare spettrale
Grazie
SR

15. I dati satellitari
15
Meteosat Second
Generation
(MSG)

16. I dati satellitari
16
Meteosat Second
Generation
(MSG)
Satelliti GEOSTAZIONARI (MSG, GOES,
Himawari-8)
✓ Quota: 36000 km (MSG)
✓ Movimento sincronizzato con la rotazione
terrestre
✓ vedono sempre la stessa area (3 km
risoluzione spaziale a coordinate 0.0 per
MSG)
✓ ciclo di ripetizione rapido ( 10-15 min )
Canale Intervallo spettrale Applicazioni
cen min max
VIS0.6 0.635 0.56 0.71
Surface, clouds, wind
fields
VIS0.8 0.81 0.74 0.88
Surface, clouds, wind
fields
NIR1.6 1.64 1.50 1.78 Surface, cloud phase
IR3.9 3.90 3.48 4.36
Surface, clouds, wind
fields
WV6.2 6.25 5.35 7.15
Water vapor, high level
clouds, atmospheric
instability
WV7.3 7.35 6.85 7.85
Water vapor, atmospheric
instability
IR8.7 8.70 8.30 9.1
Surface, clouds,
atmospheric instability
IR9.7 9.66 9.38 9.94 Ozone
IR10.8 10.80 9.80 11.80
Surface, clouds, wind
fields, atmospheric
instability
IR12.0 12.00 11.00 13.00
Surface, clouds,
atmospheric instability
IR13.4 13.40 12.40 14.40
Cirrus cloud height,
atmospheric instability
HRV Broadband (circa 0.4 – 1.1 µm) Surface, clouds
Radiometro SEVIRI (MSG): 12 differenti bande
dello spettro elettromagnetico:

17. I dati satellitari
17
Utilizzando diversi canali, riesco ad identificare meglio
le strutture osservate
Sun radiation Earth radiation
Ozone
Water
vapour
Carbon
dioxid
Spectral
Irradiance
Wavelength (µm)
Meteosat Second Generation: SEVIRI instrument
• Canali finestra: ridotto assorbimento dai
componenti atmosferici (0.6, 0.8, 1.6, 8.7, 10.8
e 12 m)
• Canali del vapor d’acqua: 6.2 e 7.3 m
• Canale dell‘ozono: 9.7 m
• Canale della CO2: 13.4 m

18. Commenti
18
➢ La conoscenza della radiazione solare è fondamentale per
supportare la transizione energetica, specie in relazione al
fotovoltaico
➢ A supporto di sistemi a concentrazione e ad inseguimento è
necessario migliorare la stima e la previsione di DNI
➢ Lo sviluppo di celle tandem richiede la conoscenza della radiazione
solare anche a livello spettrale
➢ I dati satellitari forniscono un contributo significativo per ottenere
stime di radiazione solare estese su tutto il territorio italiano, con
elevata risoluzione spazio-temporale

19. 19
Domande?

20. Misure della radiazione solare diretta – nuove opportunità per le
tecnologie rinnovabili
“Un approccio ibrido: fisico - machine learning per la stima di DNI”
Dario Ronzio, RSE
07 Giugno 2022

21. II Ordine del giorno
21
• Lo spettro della radiazione solare diretta
• Il metodo ARTEMIS – Automatic Radiative TransfEr Model for
Irradiation with Satellite data
• Input e output di ARTEMIS
• Risultati
• Le mappe di DNI sul territorio italiano

22. Radiazione spettrale solare
22

23. Radiazione spettrale solare
23
Andamenti delle trasmittanze
di
a) Rayleigh (nera), ozono
(verde puntinata), aerosol
(rossa tratteggiata);
b) valor acqueo per la
radiazione diretta (nera) e
per la diffusa (rossa);
c) gas miscelati (mixed) per la
radiazione diretta (nera) e
per la diffusa (rossa);
d) gas meno abbondanti
(trace) per la radiazione
diretta (nera) e per la
diffusa (rossa).
Dati di Milano del 05/06/2018
12:30UTC.
Andamento della radiazione
spettrale solare extra-
atmosferica (puntinata nera) e
trasmittanza degli aerosol

24. Artemis - Approccio
24
Adottata formulazione ibrida:
• Informazioni da satellite (Cloud Type; radianze su 11 canali) → per classificare i pixel come
sereni o nuvolosi e per determinare i parametri per calcolare la trasmittanze degli aerosol.
• Dati previsionali forniti da un modello regionale (WRF) con risoluzione spaziale di 4 km e
temporale di 1 ora. Variabili: pressione al suolo, temperatura e umidità a 2 m, contenuto
colonnare di acqua precipitabile → per calcolare le trasmittanze del vapor acqueo e dei gas
• Dati previsionali forniti da un modello globale (CAMS, Copernicus Atmosphere Monitoring
Service). Variabile: contenuto colonnare di ozono → per calcolare la trasmittanza dell’ozono
✓ DNI dipende da: contenuto di ozono (O3) , di acqua precipitabile (Liquid Water Content –
LWC) e soprattutto dallo spessore ottico degli aerosol.

25. Artemis - Stima della trasmittanza degli aerosol con dati satellitari
25
Approccio
Machine Learning
basato su
Random Forest
INPUT:
• Cloud Type da Satellite;
• Le radianze satellitari di tutti i canali;
• Le previsioni del modello meteorologico CAMS dei parametri α e β;
• Air Mass (AM) degli aerosol.

26. Artemis - Stima della trasmittanza degli aerosol con dati satellitari
26
Previsione di α e β con
modello meteorologico CAMS
Previsione di α e β con
ARTEMIS - Random Forest

27. Artemis - Risultati
27
Andamento della radiazione
diretta normale DNI del
04/09/2018 a Milano.
È mostrato l’andamento delle
misure (linea continua nera), della
stima fornita da ARTEMIS (linea
rossa con pallini)
e quella ottenuta utilizzando i
parametri di Ångström calcolati
con i dati degli spessori ottici degli
aerosol di CAMS (linea tratteggiata
blu).

28. Artemis - Risultati
28
Esaminati #1694 eventi di condizioni di cielo sereno in Milano tra il 2018 e 2020.
Diagrammi di dispersione della DNI
stimata a partire dagli spettri di Artemis (in
ordinata) rispetto alle misure (in ascissa)
Diagrammi di dispersione della DNI stimata a partire
dalla radiazione globale misurata (in ordinata)
rispetto alle misure (in ascissa)

29. Artemis – Mappe di DNI
29
Mappe della DNI istantanea (a sinistra) e giornaliera (a destra)
integrata sull’intera banda solare

30. Artemis
30
Mappa del valore medio
mensile della radiazione
solare diretta normale
elaborata a partire dai
dati di ARTEMIS per
luglio 2018.
Per richieste per altri periodi, a partire
dal 2018, in condizioni di cielo sereno:
https://www.rse-
web.it/laboratori/laboratorio-servizi-di-
meteorologia-1

31. Conclusioni
31
➢ La produzione solare dipende da quanta radiazione viene intercettata dalle celle solari.
Anche i sistemi fissi, la cui produzione dipende principalmente dalla radiazione globale,
risentono della «firma spettrale» della radiazione.
➢ La radiazione solare spettrale (diretta e diffusa) dipende da alcune variabili astronomiche e
meteorologiche, ed è sito dipendente.
➢ Lo sviluppo di celle fotovoltaiche trasparenti per determinate finestre spettrali, celle tandem,
sistemi a concentrazione (a due assi) o ad inseguimento (ad un asse) richiede la conoscenza
della radiazione solare anche a livello spettrale sia per monitorare la produzione
dell’impianto, sia per migliorare la previsione della produzione a breve termine.
➢ Utilizzando informazioni forniti dal satellite geostazionario Msg e dalle uscite di alcuni
modelli meteorologici è possibile calcolare la componente spettrale della radiazione diretta
normale. La conoscenza delle funzioni di risposta delle celle (3,4-giunzioni, tandem, o
trasparenti per determinate finestre spettrali) permette di calcolare con buona precisione la
quantità di energia che realmente viene intercettata dalle celle FV.

32. • Si ringraziano i colleghi Pietro Marcacci, Vincenzo Rotella e Giovanni
Quinteri che si occupano della progettazione, installazione,
manutenzione e calibrazione degli strumenti di misura della
radiazione solare
• Questo lavoro è stato finanziato dal Fondo di Ricerca per il Sistema
Elettrico in ottemperanza al Decreto del Ministro dello Sviluppo
Economico 16 aprile 2018.
• Questo lavoro è stato svolto all’interno dell’accordo di collaborazione
tra RSE e Sardegna Ricerche-Università di Cagliari
32

33. 33
Domande?

34. 34
Grazie per l’attenzione