Come crescerà l'energia solare? Il modello lo svela

Quando si parla di energia solare, la prima domanda è: quanto crescerà nei prossimi anni? Un nuovo studio pubblicato su Sustainability presenta un modello predittivo che promette di rispondere con estrema precisione. I ricercatori hanno sviluppato un modello chiamato CFIGGM, che unisce un operatore di accumulo frazionario conformabile a un metodo statistico chiamato grey model, incompleto e basato sulla funzione gamma. Questa combinazione permette di estrarre informazioni anche da set di dati molto piccoli, tipici dei primi anni di adozione delle tecnologie rinnovabili. Per ottimizzare i parametri non lineari del modello, il team ha utilizzato l’algoritmo Whale Optimization, ispirato al comportamento delle balene in natura. I test su cinque serie temporali di consumo hanno mostrato che il CFIGGM batte i modelli tradizionali, con un errore medio di solo lo 0,07% sul set di addestramento e dello 0,78% su quello di prova. Applicando il modello ai dati globali, i ricercatori prevedono che l’energia solare continuerà a crescere, ma il ritmo di aumento si rallenterà nel futuro. Questi risultati possono aiutare governi e aziende a pianificare investimenti e politiche più efficaci. Il lavoro dimostra come l’integrazione tra matematica avanzata e intelligenza artificiale possa rendere le previsioni energetiche più affidabili, sostenendo una transizione verso un futuro a basse emissioni di carbonio.

Il modello CFIGGM (Conformable Fractional Incomplete Gamma Grey Model) introduce un operatore di accumulo frazionario conformabile, che estende il calcolo frazionario classico per gestire meglio la memoria dei dati. Accoppiato con un grey model incompleto basato sulla funzione gamma, il modello può catturare andamenti non lineari anche con pochi punti di osservazione. L’ottimizzazione dei parametri non lineari avviene tramite l’algoritmo Whale Optimization Algorithm (WOA), che simula le fasi di caccia delle balene, migliorando la capacità predittiva. Gli esperimenti su cinque serie temporali di consumo energetico solare hanno evidenziato un MAPE (Mean Absolute Percentage Error) di 0,07% sul set di addestramento e di 0,78% sul set di test, superando modelli comparativi come il GM(1,1) e il fractional-order grey model. L’applicazione al consumo globale di energia solare mostra una crescita continua ma con un tasso decrescente, suggerendo che il picco di adozione potrebbe avvicinarsi. Questi risultati offrono una base solida per politiche energetiche e strategie aziendali, dimostrando l’efficacia dell’integrazione tra calcolo frazionario, statistica grigia e ottimizzazione bio‑ispirata.