Previsione della radiazione solare mediante modelli basati su reti neurali artificiali.
Tesi di Laurea di:
Claudio Leani
Relatore:
prof. Stefano Ferrari
Analisi dell\'errore di campionamento su un caso empirico, le elezioni regionali 2010. Gli elementi che determinano la differenza fra la previsione e le elezioni: errore di campionamenti, caduta dei contatti e le mancate risposte
Analisi dell\'errore di campionamento su un caso empirico, le elezioni regionali 2010. Gli elementi che determinano la differenza fra la previsione e le elezioni: errore di campionamenti, caduta dei contatti e le mancate risposte
4° Presentazione del workshop finale del progetto EFFICITY
Sviluppo di algoritmi di ottimizzazione del progetto e della gestione di sistemi multi energia tri- e cogenerativi
Sito web del progetto: www.efficity-project.it
Introduzione e benvenuto
Il progetto sta sviluppando una piattaforma software per l’ottimizzazione del progetto, della gestione e del controllo di sistemi e di reti energetiche intelligenti, sia convenzionali sia integrate con fonti rinnovabili, a servizio di distretti urbani ed edifici pubblici/commerciali. L’obiettivo principale è ridurre i consumi energetici, le emissioni di CO2 ed i costi, sfruttando le informazioni rese disponibili dai moderni sistemi di monitoraggio e utilizzando avanzati algoritmi di ottimizzazione ed intelligenza artificiale.
Principali filiere coinvolte: Edilizio, Fornitura di energia elettrica, gas, vapore e servizi energetici, Costruzione di edifici, Ingegneria civile, Lavori di costruzione specializzati, Software, Smart city, Servizi, IT
Sito web del progetto: www.efficity-project.it
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Il progetto si propone di sviluppare una piattaforma software per l’ottimizzazione del progetto, della gestione e del controllo di sistemi e di reti energetiche intelligenti, sia convenzionali sia integrate con fonti rinnovabili, a servizio di distretti urbani ed edifici pubblici/commerciali. L’obiettivo principale è ridurre i consumi energetici, le emissioni di CO2 ed i costi, sfruttando le informazioni rese disponibili dai moderni sistemi di monitoraggio e utilizzando avanzati algoritmi di ottimizzazione ed intelligenza artificiale.
Principali filiere coinvolte: Edilizio, Fornitura di energia elettrica, gas, vapore e servizi energetici, Costruzione di edifici, Ingegneria civile, Lavori di costruzione specializzati, Software, Smart city, Servizi, IT
Sito web del progetto: www.efficity-project.it
Presentazioni e video: http://cerr.eu/what-s-going-on/357-materiali-dei-seminari-disponibili-online
This document discusses a health platform that aims to overcome problems patients with chronic diseases face in reaching hospitals by enabling continuous remote patient monitoring. The platform utilizes wearable devices, mobile applications, and a web portal to allow patients to have their health monitored anywhere through data transmission and remote medical control. It focuses on ensuring patient mobility, autonomy, and continuous care while keeping them out of hospitals. The system is designed with a user-friendly Android mobile app and a HIPAA compliant architecture to securely transmit patient data from wearable sensors to doctors for remote oversight of at-risk patients.
4° Presentazione del workshop finale del progetto EFFICITY
Sviluppo di algoritmi di ottimizzazione del progetto e della gestione di sistemi multi energia tri- e cogenerativi
Sito web del progetto: www.efficity-project.it
Introduzione e benvenuto
Il progetto sta sviluppando una piattaforma software per l’ottimizzazione del progetto, della gestione e del controllo di sistemi e di reti energetiche intelligenti, sia convenzionali sia integrate con fonti rinnovabili, a servizio di distretti urbani ed edifici pubblici/commerciali. L’obiettivo principale è ridurre i consumi energetici, le emissioni di CO2 ed i costi, sfruttando le informazioni rese disponibili dai moderni sistemi di monitoraggio e utilizzando avanzati algoritmi di ottimizzazione ed intelligenza artificiale.
Principali filiere coinvolte: Edilizio, Fornitura di energia elettrica, gas, vapore e servizi energetici, Costruzione di edifici, Ingegneria civile, Lavori di costruzione specializzati, Software, Smart city, Servizi, IT
Sito web del progetto: www.efficity-project.it
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Il progetto si propone di sviluppare una piattaforma software per l’ottimizzazione del progetto, della gestione e del controllo di sistemi e di reti energetiche intelligenti, sia convenzionali sia integrate con fonti rinnovabili, a servizio di distretti urbani ed edifici pubblici/commerciali. L’obiettivo principale è ridurre i consumi energetici, le emissioni di CO2 ed i costi, sfruttando le informazioni rese disponibili dai moderni sistemi di monitoraggio e utilizzando avanzati algoritmi di ottimizzazione ed intelligenza artificiale.
Principali filiere coinvolte: Edilizio, Fornitura di energia elettrica, gas, vapore e servizi energetici, Costruzione di edifici, Ingegneria civile, Lavori di costruzione specializzati, Software, Smart city, Servizi, IT
Sito web del progetto: www.efficity-project.it
Presentazioni e video: http://cerr.eu/what-s-going-on/357-materiali-dei-seminari-disponibili-online
This document discusses a health platform that aims to overcome problems patients with chronic diseases face in reaching hospitals by enabling continuous remote patient monitoring. The platform utilizes wearable devices, mobile applications, and a web portal to allow patients to have their health monitored anywhere through data transmission and remote medical control. It focuses on ensuring patient mobility, autonomy, and continuous care while keeping them out of hospitals. The system is designed with a user-friendly Android mobile app and a HIPAA compliant architecture to securely transmit patient data from wearable sensors to doctors for remote oversight of at-risk patients.
Progettazione e sviluppo di un editor per la certificazione di sicurezza dei servizi cloud
Tesi di Laurea di Roberto Amelio
Relatore: Dott. Claudio Ardagna
Correlatore: Dott. Marco Anisetti
Tesi di Marco Guzzetti
Relatore: Prof. Marco Cremonini.
Lavoro di analisi e progettazione di un modello di rete sociale dinamica basato sulla formazione di uno sciame e applicato al caso di studio classico del marketing riguardante le dinamiche di adozione di un nuovo prodotto da parte di una popolazione di clienti. Lo studio ha introdotto numerose varianti comportamentali e sociali studiandone la simulazione dinamica.
Tesi di Andrea Guido
Relatore: Prof. Marco Cremonini
Tesi sperimentale sulle tecniche di Advanced Evasion proposte da Stonesoft/McAfee. I test sono stati condotti su un sistema corporate usato in produzione.
Tesi di Francesco Padovani
Relatore: Prof. Marco Cremonini
Lo studio riguarda la diffusione di tecniche di Behavioral Advertising attraverso Web. La metodologia ha replicato ed esteso un precedente studio della Carnegie Mellon applicato al mercato USA
Tesi di: Lino Antonio Buono
Relatore: Marco Cremonini
Lavoro dedicato a tecniche avanzate di OSINT con particolare attenzione alle possibili strategie di deaninomizzazione di comunicazioni via TOR.
Tesi di Tiziano Tamburini
Relatore: Marco Cremonini
Lavoro di analisi sulla valutazione del rischio associato a un progetto IT in una media azienda manifatturiera. I risultati mostrano la soggettività e la natura dinamica di tali valutazioni e le corrispondenti misure adottate.
Federico Gandellini
Relatore: Prof. Ernesto Damiani
Correlatore: Emanuele DelBono
ANNO ACCADEMICO 2012/2013
Corso di Laurea Magistrale in Scienze e Tecnologie dell’Informazione
L’evoluzione dei linguaggi di scripting lato browser: Il caso dart - Luca Ala...
Previsione della radiazione solare mediante modelli basati su reti neurali artificiali.
1. Corso di Laurea Magistrale in Informatica
Previsione della radiazione solare mediante
modelli basati su reti neurali artificiali
Tesi di Laurea di: Claudio Leani (Matr. 805329)
Relatore: prof. Stefano Ferrari
Anno Accademico 2012-2013
2. Perché prevedere la radiazione solare?
2 / 15
Motivazioni
tecnico-economiche
Diffusione degli impianti
fotovoltaici per produrre
energia elettrica
Incremento della richiesta di
valutazione della radiazione
solare disponibile in una data
località
Motivazioni
strategiche
Supporto alla decisione di
adeguatezza degli
investimenti
Programmazione della
gestione delle reti elettriche
3. Come prevedere la radiazione solare?
3 / 15
Modelli fisici
Previsione
numerica
Analisi delle
immagini
Modelli statistici
Metodi
autoregressivi
(AR, ARMA, ARIMA, ARMAX)
Reti neurali
artificiali
(ANN, TDNN, WNN)
Sono modelli centrati sui
dati
Modelli ibridi
Previsioni
numeriche e
analisi delle
immagini come
input a reti neurali
artificiali
Differenti orizzonti temporali in funzione delle applicazioni
4. 4 / 15
Dati
Misurazioni 2002-2007
della rete di monitoraggio
di ARPA Lombardia
Studio su quattro località
comprese in un raggio di
25 km
3 modelli
predittori
Ca
MiCrOs
MiCrOsCa
Lavoro di tesi
• Su un orizzonte temporale di 1 ora
• Basato su reti neurali artificiali
Realizzare e verificare un metodo per la
previsione della radiazione solare globale
5. Dati (1): descrizione
I dati sono forniti per ciascun sensore
Grandezza Sigla Unità di
misura
Precipitazione P mm
Temperatura T °C
Pressione Atmosferica HPA hPa
Velocità del Vento VV m/s
Umidità Relativa UR %
Radiazione Globale RG W/m2
Radiazione Netta RN W/m2
Sono disponibili le misurazioni orarie
IdSensore Data Ora Valore
5 / 15
medio
Stato del
dato
5901 2005/02/08 08:00 0.4 0
5901 2005/02/08 09:00 0.8 0
5901 2005/02/08 10:00 1.3 0
5901 2005/02/08 11:00 1.7 0
5901 2005/02/08 12:00 2.8 0
Stazione di Cassano d’Adda: radiazione globale oraria - anno 2003
6. Dati (2): rumore e incompletezze
(su 4380 record/anno totali)
Le tecniche di intelligenza computazionale sono adatte in situazioni
6 / 15
affette da rumore e incompletezze
7. Dati (3): pre-processing
Scelta delle
stazioni
• Schema
geometrico
adottato
• Buona
disponibilità di
dati
7 / 15
Pre-processing
dei dati
• Aggregazione
dei dati dei
singoli sensori
• Eliminazione dei
record con
almeno uno dei
dati mancante
• Eliminazione dei
record relativi
alle ore 0-6 e
19-23
8. Workflow degli esperimenti
Selezione
delle
caratteristiche
8 / 15
• 5 combinazioni delle
grandezze misurate
• 9 configurazioni di
neuroni nello strato
nascosto
• 5 addestramenti+test
Selezione
della
topologia
• Input: T UR RG
• 9 configurazioni di
neuroni nello strato
nascosto
• 5 addestramenti+test
• Test sui 12 mesi
• Considerate anche
media e mediana dei
gruppi di 5 reti
9. Risultati (1): modelli selezionati
La topologia con le migliori prestazioni è stata selezionata mediante la valutazione dell’Errore
푛 푦 푖−푦푖
퐸푔 = (퐸 + 휎퐸 )( 퐸푅 + 휎 퐸푅 ) 퐸푅 = 푖=1
푛 푦푖
Errore globale = (Errore RMSE medio + Dev.std.)(Errore relativo pesato + Dev.std.) Errore relativo pesato
9 / 15
Globale
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
Ca MiCrOs MiCrOsCa
푖=1
23.51
15
15 20 25 30 35 40 45 50
best mean median
18.27
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
10 15 20 25 30 35 40 45 50
best mean median
20.82
15
15 20 25 30 35 40 45 50
best mean median
13. Risultati (5): modello di persistenza
13 / 15
Istogramma errori Correlazione Stima vs. misura
Luglio 2005 Gennaio 2005
14. Conclusioni
82.44 88.15 82.88
14 / 15
146.59
0.2667
0.2518 0.2515
Errore assoluto (W/m2) Errore Relativo (%)
0.4323
Test 2005: confronto finale tra gli errori medi dei tre modelli
15. Sviluppi futuri
Approccio proposto Future linee di ricerca
Selezione delle caratteristiche
15 / 15
basata su una stazione
Selezione delle caratteristiche
basata su più stazioni
Utilizzo di sei parametri
atmosferici
Utilizzo aggiuntivo dei parametri
della qualità dell’aria
One-lag prediction Multi-lag prediction
Un modello di rete neurale Modelli differenti di reti neurali
Modello connessionistico
Modello ibrido
(fuzzy logic + modelli fisici)
Editor's Notes
Titolo della tesi: «Previsione della radiazione solare mediante modelli basati su reti neurali artificiali».
Il relatore è il prof. Stefano Ferrari.
L’incremento della diffusione degli impianti fotovoltaici determina la richiesta di valutazione della radiazione solare disponibile su un dato sito.
Il dato è utile per:
i progettisti, allo scopo di decidere l’adeguatezza o meno degli investimenti da sostenere.
i gestori delle reti elettriche, che possono così programmare le attività con maggior precisione.
La stima della radiazione solare, che ha una natura non costante, è effettuata tramite:
Modelli fisici, quali:
La previsione numerica, che utilizza equazioni dei moti atmosferici (fluidodinamica) per prevedere, ad es., la formazione di nubi e di conseguenza la disponibilità di radiazione solare.
L’analisi delle immagini satellitari e da terra per predire le posizioni delle nubi in istanti successivi tramite modelli del moto (i dati che ne derivano sono usati per inizializzare i modelli numerici).
Modelli statistici, quali:
I metodi autoregressivi, che assumono che la composizione dell’atmosfera sia in relazione lineare con la trasmissione della radiazione solare (si basano sulle relazioni tra misure della radiazione osservate al suolo e da satellite).
Le reti neurali artificiali, che effettuano stime basandosi su serie storiche di osservazioni (modelli centrati sui dati).
Modelli ibridi:
sono basati sulla composizione dei precedenti due modelli, come nel caso della inizializzazione di una rete neurale con dati provenienti da previsioni numeriche o da modelli statistici.
Le applicazioni esistenti necessitano di specifici orizzonti temporali di previsione (dunque di modelli di previsione differenti).
L’ipotesi di lavoro è stata quella di realizzare un modello che utilizzi i dati di più di una stazione per la predizione dei valori della radiazione globale all’ora successiva su una località per la quale non esistono misurazioni. Nel lavoro di tesi si è voluta prevedere la radiazione globale su Cassano d’Adda. Ci si è limitati al modello più semplice che è quello della stazione centrale con tre stazioni periferiche, come illustrato in figura.
I dati utilizzati provengono dalla rete di monitoraggio di ARPA Lombardia, composta da 230 stazioni circa, dunque sono dati «istituzionali» di cui si ipotizza un buon livello di affidabiltà.
Per valutare la fattibilità di questa previsione sono stati studiati tre modelli di predittore:
Un primo modello che utilizza i soli dati della stazione centrale
Un secondo modello che utilizza i dati di tre stazioni periferiche per predire la radiazione sulla stazione centrale
Un terzo modello che utilizza i dati di tutte e quattro le stazioni, per predire la radiazione sulla stazione centrale.
Ecco un esempio dei dati a disposizione, ovvero precipitazione, temperatura, pressione, velocità del vento, umidità relativa, radiazione globale e radiazione netta.
Di queste grandezze sono disponibili le misure orarie, come illustrato nella tabella sotto.
Nel grafico a destra è riportato l’andamento della radiazione globale oraria rilevata nell’anno 2003 a Cassano d’Adda (MI), in cui si evidenzia la caratteristica stagionale della radiazione globale (sia giornaliera che annua).
Le serie temporali di dati sono spesso caratterizzate da problemi di incompletezza.
Nel grafico sono riportate le quantità di dati mancanti rilevate, rispetto al totale di record nell’anno (12 ore x 365 = 4380).
Gli anni 2002 e 2003 sono stati utilizzati come base per l’addestramento dei modelli sperimentati, mentre il 2006 è stato scartato perchè presenta le più alte percentuali di dati mancanti.
Gli anni 2004 e 2005 sono stati invece utilizzati nei test.
Le tecniche di intelligenza computazionale sono adatte nei casi che presentano rumore e incompletezze nei dati. Utilizzando invece altri modelli quali quelli basati su metodi autoregressivi, errori e incompletezze sarebbero un problema.
Il primo problema affrontato è stato quello di scegliere le stazioni con:
buona disponibilità di dati
le caratteristiche geometriche richieste dall’ipotesi di lavoro.
Il pre-processing è stato realizzato:
aggregando orizzontalmente i dati dei singoli sensori
eliminando i record con almeno uno dei dati mancante
considerando solo i dati relativi all’intervallo 7-18 , che è il periodo medio di illuminazione giornaliero.
Vantaggio: l’eliminazione dei record (non utili all’apprendimento) ha l’effetto di diminuire il carico computazionale per l’addestramento delle reti.
A destra è raffigurato lo schema tipo delle reti neurali utilizzate, in cui si utilizzano i dati dell’ora attuale di P,T,VV,UR,RG,HPA per predire i valori della prossima ora. Sono inoltre utilizzate le variabili temporali mese, giorno e ora.
(Gli esperimenti sono stati realizzati con Matlab)
La fase di selezione delle caratteristiche ha dapprima riguardato le grandezze da utilizzare come input delle reti. Sono state arbitrariamente scelte cinque combinazioni di caratteristiche e si sono eseguite prove con 9 configurazioni del numero di neuroni nello strato nascosto, ripetendo per cinque volte l’addestramento per tener conto dei fattori di casualità dell’algoritmo di addestramento.
Dopo che è stata individuata (in T UR RG) la combinazione che porta più informazioni per la predizione della radiazione, ci si è concentrati sulla ricerca della topologia con le migliori prestazioni, utilizzando una variante del metodo di addestramento della prima fase, ad esempio, considerando media e mediana delle uscite delle 5 reti viste come 5 esperti.
Per valutare la topologia migliore con un unico indicatore, è stato utilizzato l’errore globale che considera sia l’errore assoluto che quello relativo. Agli errori è stata sommata la dispersione in modo da avvantaggiare i modelli più stabili.
Mentre l’errore assoluto tiene conto dell’effettiva differenza tra stima e misura, l’errore relativo considera l’incidenza relativa di tale differenza.
(considera l’influenza dell’effettivo errore di misura rispetto alla distribuzione dei valori da predire).
In pratica: se commettiamo l’errore di 1 W/m2 alle ore 12:00 di agosto, l’incidenza relativa è molto bassa. Lo stesso errore alle 17:00 di gennaio avrà un’incidenza più significativa.
Tuttavia, ai fini pratici poco conta l’errore se la quantità di radiazione globale rilevata è bassa. In tal caso la produzione di energia è poco consistente (i.e., inutile preoccuparsi se il modello sbaglia tanto).
Qui è stato selezionato, per ognuno dei tre modelli, quello con la topologia migliore (Best è la migliore tra le cinque reti).
In seguito le prestazioni sono riferite a queste 3 reti (verificate sui 12 mesi del 2005).
Gli istogrammi riportano le dispersioni degli errori in due differenti stagioni dell’anno.
Gli errori sono simmetrici rispetto allo zero e con una distribuzione di tipo gaussiano.
Osservando sulle ascisse si nota che la dispersione dei mesi invernali è nettamente inferiore rispetto a quella dei mesi estivi, come ci si aspetta.
Dall’analisi di dispersione, in cui in ascissa è riportato il valore misurato e in ordinata il valore stimato, è possibile rilevare che le correlazioni sono elevate (le scale sono differenti).
Si noti che i valori di luglio della radiazione globale sono il doppio di quelli di gennaio.
A titolo di esempio, si riportano i diagrammi di confronto tra stima e misura, relativi al modello Ca e nei primi dieci giorni di gennaio e luglio 2005.
Si nota che dove c’è una misura regolare il predittore si adatta, mentre dove la misura è variabile il predittore si adegua con qualche oscillazione.
I grafici degli altri modelli sono comunque simili.
Il modello di persistenza considera che il valore predetto al tempo t+1 sia uguale a quello misurato al tempo t.
Questo modello viene utilizzato come confronto, ci si aspetta cioè che il modello realizzato sia più accurato del modello di persistenza.
Dai diagrammi è evidente che l’errore del modello di persistenza è maggiore (più disperso) e la correlazione è più bassa.
Le prestazioni dei modelli si assomigliano molto, con un leggero vantaggio in accuratezza per il modello Ca.
Infatti il modello Ca, pur avendo un errore assoluto più alto del modello MiCrOsCa, ha una deviazione standard più bassa (in figura è poco evidente ma vale 21.39 contro 22.02 del modello MiCrOsCa). Pertanto l’errore sommato alla deviazione standard del modello Ca è il più basso dei quattro modelli.
La selezione delle caratteristiche è stata effettuata limitatamente al modello a una stazione, per semplificazione. Questo potrebbe spiegare la migliore prestazione del modello Ca rispetto agli altri modelli. Per i lavori futuri occorrerebbe indagare su come le prestazioni cambierebbero se la selezione delle caratteristiche fosse personalizzata sui singoli modelli.
Analogamente, potremmo allargare le caratteristiche considerando anche indicatori della qualità dell’aria, che influenzano la trasmissione della radiazione solare
Le predizioni sono state fatte utilizzando il valore misurato a un’ora per prevedere l’ora seguente. Si potrebbero utilizzare più passi indietro nella serie storica per predire passi successivi nell’orizzonte temporale.
Si è utilizzato un unico modello di rete neurale, ma futuri sviluppi potrebbero utilizzare differenti algoritmi di apprendimento e differenti funzioni di attivazione dei neuroni.
Infine, un lavoro futuro potrebbe considerare la realizzazione di un modello ibrido che combini, ad esempio, la fuzzy logic e i modelli fisici.
La selezione delle caratteristiche è stata effettuata limitatamente al modello a una stazione, per semplificazione. Questo potrebbe spiegare la migliore prestazione del modello Ca rispetto agli altri modelli. Per i lavori futuri occorrerebbe indagare su come le prestazioni cambierebbero se la selezione delle caratteristiche fosse personalizzata sui singoli modelli.
Analogamente, potremmo allargare le caratteristiche considerando anche indicatori della qualità dell’aria, che influenzano la trasmissione della radiazione solare
Le predizioni sono state fatte utilizzando il valore misurato a un’ora per prevedere l’ora seguente. Si potrebbero utilizzare più passi indietro nella serie storica per predire passi successivi nell’orizzonte temporale.
Si è utilizzato un unico modello di rete neurale, ma futuri sviluppi potrebbero utilizzare differenti algoritmi di apprendimento e differenti funzioni di attivazione dei neuroni.
Infine, un lavoro futuro potrebbe considerare la realizzazione di un modello ibrido che combini, ad esempio, la fuzzy logic e i modelli fisici.
Dove c’è una misura regolare il predittore si adatta, mentre dove la misura è variabile il predittore si adegua comunque, con qualche oscillazione.
Tenere questa slide in coda, da far vedere nel caso di domande. Sostituirla con una in cui si vono i diagrammi di un solo modello, a titolo di esempio, citando che anche gli altri sono comunque abbastanza simili.
(Errore RMSE medio: leggi errore assoluto e la sua deviazione standard).
L’Errore relativo pesato è stato considerato per tenere conto dell’influenza dell’effettivo errore di misura rispetto alla distribuzione dei valori da predire.
L’errore assoluto tiene conto dell’effettiva discrepanza tra stima e misura, mentre l’errore relativo considera l’incidenza relativa di tale discrepanza.
In pratica: se commettiamo l’errore di 1 W/m2 a mezzogiorno di agosto, l’incidenza relativa è molto bassa. Lo stesso errore alle 17:00 di gennaio avrà un’incidenza più significativa. Tuttavia, ai fini pratici poco conta l’errore se la quantità di radiazione globale rilevata è bassa. In tal caso la produzione di energia è poco consistente (i.e., inutile preoccuparsi se il modello sbaglia tanto).
Per avere un unico indicatore è stato scelto di utilizzare l’errore globale.
All’errore è stata aggiunta la dispersione in modo da avvantaggiare i modelli più stabili.
Best è la migliore tra le cinque reti.
Qui è stato selezionato, per ognuno dei tre modelli, quello con la topologia migliore. In seguito le prestazioni sono riferite a queste 3 reti (verificate sui 12 mesi del 2005).
Qui si possono vedere le dispersioni degli errori in due differenti stagioni dell’anno. L’errore è centrato sullo zero.
Gli errori sono simmetrici rispetto allo zero e con una distribuzione di tipo gaussiano.
Osservando sulle ascisse si nota che la dispersione dei mesi invernali è nettamente inferiore rispetto a quella dei mesi estivi, come ci si aspetta.
La radiazione solare è una radiazione elettromagnetica che il Sole irradia nello spazio a seguito dei processi di fusione che avvengono al suo interno.
La radiazione solare che giunge sulla Terra:
È una fonte rinnovabile, ovvero il suo consumo non ne pregiudica la disponibilità per le generazioni future
Può essere sfruttata per generare energia elettrica e calore
Il suo utilizzo comporta meno emissioni di anidride carbonica, un gas serra responsabile del riscaldamento globale
Ha una natura variabile perché dipende da fenomeni meteorologici di natura stocastica. Per questo motivo le previsioni, per essere utili, devono essere affidabili.
La figura in alto a destra mostra le componenti della radiazione solare: diretta, diffusa e riflessa.
Nel presente lavoro si è considerata la radiazione globale, ovvero la somma delle tre componenti.
La figura in basso a destra mostra un esempio della ripartizione della radiazione globale media mensile rilevata su un sito.
La radiazione extra atmosferica è riportata per evidenziare l’attenuazione subita per effetto dell’atmosfera (riflessione, scattering, assorbimento).
(La radiazione solare è una radiazione elettromagnetica che il Sole irradia nello spazio a seguito dei processi di fusione che avvengono al suo interno).
La radiazione solare che raggiunge la superficie del nostro pianeta:
Può essere sfruttata per generare energia elettrica, mediante gli impianti fotovoltaici
Ha una natura variabile perché dipende da fenomeni atmosferici di natura stocastica. Per questo motivo le previsioni, per essere utili, devono essere affidabili.
La figura in alto a destra mostra le componenti della radiazione solare: diretta, diffusa e riflessa. Nel presente lavoro si è considerata la radiazione globale, ovvero la somma delle tre componenti.
La figura in basso a destra mostra il profilo annuale delle componenti della radiazione giornaliera media, rilevate su un sito. La radiazione extra atmosferica è riportata per evidenziare l’attenuazione subita per effetto dell’attraversamento dello strato atmosferico (riflessione, scattering, assorbimento).
Negli istogrammi sono confrontati gli errori dei tre modelli, scomposti per mese.
Si possono notare la sovrapponibilità dei risultati, che non si discostano di molto l’uno dall’altro, e l’andamento quasi complementare dei due indici.