This work concerns the application of some machine learning (ML) methods to the problem of estimating the levelised cost of energy (LCOE) by class of electricity generation technologies: in the case study, a photovoltaic plant of 0.83 MW is considered using national data provided by GSE for the International Energy Agency in 2020. The purpose of this work is to highlight the pros and cons of the application of ML in the improving of accuracy in evaluation of such a cost compared to more traditional methods such as linear regression models, and to propose ideas for further insights on their use in this context.

Questo lavoro concerne l'applicazione di alcune metodi di machine learning (ML) al problema della stima del costo livellato dell'energia (LCOE) per classi di tecnologie di produzione energetica: nel caso studio, si considera un impianto fotovoltaico di 0.83 MW di potenza come censito da GSE a livello nazionale per l'Agenzia Internazionale dell'Energia nel 2020. Scopo di questo lavoro, evidenziare pro e contro dell'applicazione del ML per l’incremento di accuratezza nella valutazione dei costi medesimi rispetto a metodi più tradizionali come i modelli di regressione lineare, e proporre spunti per approfondimenti ulteriori sul loro impiego in tale contesto.

Teaching a machine to think at energy cost

Rao, Marco;
2022-01-01

Abstract

This work concerns the application of some machine learning (ML) methods to the problem of estimating the levelised cost of energy (LCOE) by class of electricity generation technologies: in the case study, a photovoltaic plant of 0.83 MW is considered using national data provided by GSE for the International Energy Agency in 2020. The purpose of this work is to highlight the pros and cons of the application of ML in the improving of accuracy in evaluation of such a cost compared to more traditional methods such as linear regression models, and to propose ideas for further insights on their use in this context.
2022
Questo lavoro concerne l'applicazione di alcune metodi di machine learning (ML) al problema della stima del costo livellato dell'energia (LCOE) per classi di tecnologie di produzione energetica: nel caso studio, si considera un impianto fotovoltaico di 0.83 MW di potenza come censito da GSE a livello nazionale per l'Agenzia Internazionale dell'Energia nel 2020. Scopo di questo lavoro, evidenziare pro e contro dell'applicazione del ML per l’incremento di accuratezza nella valutazione dei costi medesimi rispetto a metodi più tradizionali come i modelli di regressione lineare, e proporre spunti per approfondimenti ulteriori sul loro impiego in tale contesto.
Machine learning
LCOE
File in questo prodotto:
File Dimensione Formato  
RT-2022-04-ENEA.pdf

accesso aperto

Descrizione: Documento completo
Tipologia: Versione Editoriale (PDF)
Licenza: Creative commons
Dimensione 2.03 MB
Formato Adobe PDF
2.03 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12079/65287
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
social impact