Meteo e Previsioni meteo Matagami

Per gli appassionati di tecnologia non solo meteorologica ci stiamo addentrando in quelle che sono delle vere e proprie frontiere della meteorologia applicata al settore delle energie rinnovabili. Le soluzioni sotto proposte sono tuttavia utilizzabili anche per migliorare le prestazioni delle altre variabili previsionali come temperatura, precipitazione, copertura nuvolosa.

Naturalmente l'applicazione su griglia al fine di ottenere benefici su punti di previsione multipli va valutata e validata a seconda della zona.Pensate all'impatto sulla previsione di radiazione solare e temperatura che può avere l'insorgenza di nebbie o foschie soprattutto nei settori di pianura e nelle valli interne o lungo i litorali costieri, come può falsare la previsione l'insorgenza di nuvolosità cumuliforme improvvisa. Sfatiamo quindi il luogo comune che la previsione sia più facile sugli scenari tropicali ( non in presenza di convettività a rapidissima evoluzione) , semplicemente sul teatro italiano ed europeo può essere più complessa.

L'indice rischio nebbia non è stato concepito come i fog index tradizionali che trovate anche plotatti su carte meteorologiche on line e che  si basano prevalentemente su gradienti termici e igrometrici fra suolo e medio-bassa tropsfera, condizione che è generalmente insufficiente in Valle Padana e versante Adriatico per definire la persistenza del fenomeno e la sua comparsa.

I fog index sopra descritti hanno una utilità relativa  in presenza di estese pianure senza particolari blocchi orografici  tipo Centro e Nord Europa. Per creare uno schema efficace ed identificare le condizioni favorevoli alla generazione e persistenza della nebbia serve capire:

1) l'innesco: quanta umidità entra nei vari livelli verticali
2) le condizioni favorevoli per la formazione: si calcola il gradiente termico e le inversioni
3) infine l'integrazione ad ogni timestep per le variazioni.

Il sistema difficilmente riesce a innestarsi in modo totalmente automatico quindi per essere efficace deve essere validato da un operatore che, in base alle valutazioni sul monitoraggio effettuato. farà persistere lo schema di correzione nebbia fino all'evento risolutivo.

L'altra  soluzione integrata che proponiamo, a completare il quadro consiste nel fornire una frequenza di aggiornamento molto più elevata tramite il servizio DatameteoNow: aggiornamento da 15 min ad un ora  della previsione di temperatura, radiazione e potenza tramite sistema di monitoraggio e correzione delle previsioni attraverso un modello che correla il dato satellitare (risoluzione 3 Km di griglia), con i dati radiazione, temperatura etc.. di centinaia  stazioni sia a terra che punti virtuali sat, su territorio nazionale e a richiesta su infiniti punti attivabili in giro per il mondo ( al momento il sistema è attivo in Europa ed Africa).

L’aggiornamento dell’intero set di  168-180h ore in avanti avviene 2 volte al giorno ma con questo sistema ogni ora sarà possibile prelevare il flusso che risulterà nell’ora di prelevamento corretto tramite l’integrazione del feed satellitare. Il dataset fino a 168-180h ha lo scopo di individuare in avanti quali siano le condizioni ottimali per pianificare attività di monitoraggio o intervento diretto di manutenzione sul punto previsto

Nebbie, foschie persistenti, polveri, zone d'ombra, deperimento dei materiali sono solo alcune delle cause meteorologiche, orografiche e strutturali che possono affliggere una installazione fotovoltaica.
Cercando di determinare tutti i fattori che influiscono sulla produzione di un impianto non è possibile gestire in modo scalare e modulare un servizio su larga scala, di conseguenza Datameteo ha elaborato sistemi che si basano su tecnologie ad apprendimento neurale e modelli statistici che attualmente sono i sistemi più avanzati per ottenere previsioni con ottime performance su impianti con  condizioni critiche .

Grazie all’applicazione di tecniche statistiche e all’intelligenza artificiale, struttura dinamica, adattiva, in grado di trovare le relazioni complesse esistenti tra i dati di input e quelli di output il servizio di 2° Livello è in grado di pesare ed equilibrare l’incidenza di tutti i fattori esogeni ed endogeni che intervengono sull’impianto provocando squilibri di produzione .

L’applicazione di sistemi a rete neurale o modelli statistici implica la disponibilità da parte del committente gestore dell’impianto di un archivio consistente (almeno 1 anno )  di dati misurati al fine di caratterizzare al meglio le peculiarità del singolo impianto. Vista la difficoltà di reperire informazioni di dati meteo misurati sul campo da strumentazioni quali solarimetri o meglio piranometri installati di rado, Datameteo introduce il concetto di affinamento del sistema di previsione con l’utilizzo dei dati di archivio di potenza generata dall’impianto .

Sarà quindi sufficiente esporre a Datameteo l’intero set di dati archiviati di potenza dell’impianto con qualche informazione di contorno come ad esempio indicare quali siano stati i periodi di indisponibilità dell’impianto, manutenzione, ecc al fine di validare al meglio l’archivio fornito.

I parametri richiesti:

-Tipo archivio: radiazione globale, inclinata (specificare inclinazione) o potenza
-Durata

Non vogliamo annoiarvi i motivi sono elencati sopra ed uno sguardo  allo screenshot sotto vi farà capire sino in fondo la profondità del nostro approccio in grado di risolvere in modo efficace i microclimi ed associare sistemi di assemblamento delle previsioni di più corse associate ( ensemble ) e piattaforme di downscaling statistico del dato previsionale di tipo MOS adattativo , sviluppata in house dal nostro staff o neurale predittivo . Un tipologia di approccio dinamica che tiene in considerazione non solo il lato puramente statistico ma propone una nuova frontiera di interattività tra le potenzialità dei modelli meteorologici ad alta risoluzione in grado di meglio "comprendere" l'evoluzione atmosferica anche in microclimi complessi e il downscaling statistico che utilizza le nuove frontiere dell'intelligenza neurale o delle MOS adattative per migliorare le derive dei modelli ed ottimizzare gli andamenti e gli sbilanciamenti.