Ricercatori statunitensi hanno messo a punto una nuova tecnica statistica che produce migliori previsioni per l'eolico anche quando si utilizzano i dati raccolti in soli tre mesi
(Rinnovabili.it) – Quando una società programma la realizzazione di un nuovo parco eolico, tra i primi passi che compie, generalmente, c’è quello di effettuare misurazioni della velocità del vento presso il sito proposto per un periodo di tempo variabile dagli otto ai dodici mesi. Tali rilevazioni anemometriche vengono quindi incrociate con i dati storici e utilizzate per valutare la capacità di produttivo del luogo scelto. Sistema affidabile ma non accurato secondo i ricercatori del Massachusetts Institute of Technology (MIT), che in occasione della Conferenza internazionale sull’Intelligenza Artificiale (dal 3 al 6 agosto 2015), presenteranno una nuova tecnica statistica che produce migliori previsioni rispetto alle tecniche attuali anche quando si utilizzano i dati raccolti in soli tre mesi.
In altre parole, ciò si potrebbe tradurre in un notevole risparmi di tempo e denaro, in modo particolare se il progetto in questione dovesse riguardare wind farm marine, le cui misure anemometriche risultano abbastanza costose. “Abbiamo parlato con le persone del settore, e abbiamo scoperto che stavano usando un meccanismo davvero molto semplice per stimare la risorsa eolica”, spiega Kalyan Veeramachaneni, un ricercatore del Computer Science e Artificial Intelligence Laboratory (CSAIL ) e primo autore del lavoro. In particolare, Veeramachaneni sostiene che la pratica standard nel settore è quello di modellare le correlazioni dei dati vento-velocità utilizzando una cosiddetta distribuzione gaussiana, la “curva a campana” dalle statistiche di base.
“Il dato, però, qui è non-gaussiano e lo sappiamo tutti”, aggiunge Veeramachaneni. “Può anche andare bene una curva a campana, ma non offre certo una rappresentazione accurata dei dati”.
La prima novità del nuovo modello elaborato dal MIT è quella di utilizzare i dati meteo provenienti da più siti e non solo quello in questione. Il sistema impiega quindi diversi tipi di distribuzione statistica per caratterizzare tali informazioni, e può combinarle in modi diversi. Un altro aspetto del modello è che può trovare correlazioni lineari tra insiemi di dati. Cosa vuol dire questo nella pratica? Maggiore affidabilità come hanno peraltro dimostrato praticamente gli stessi scienziati: i ricercatori hanno sperimentato la loro tecnica all’interno di un progetto per l’istallazione di una turbina eolica sopra il tetto del museo del MIT. Con solo tre mesi di dati storici e rivelazioni anemometriche Veeramachaneni e colleghi sono stati in grado di predire la velocità del vento nel corso dei prossimi due anni, con una precisione tre volte maggiore rispetto ai modelli esistenti.
