Detection and diagnosis of faults in photovoltaic strings using a machine learning approach

Photovoltaic systems are one of the most important energy sources in the field of renewable energy and their importance is expected to grow in the near future. At the end of 2020, the total cumulative installed capacity for PV reached 760 GW (Giga-Watts) worldwide. However, photovoltaic power plants can run into failures of various entities, impacting the PV performance and the energy production. Moreover, some types of fault may severely damage instruments and modules, causing the stop of energy production and the subsequent replacement of failed components. This thesis tackles the problem of detecting and classifying some types of faults as soon as possible. A fast and real-time detection system can help in reducing Operation & Maintenance (O&M) costs, which is a key aspect for energy production companies. In this work, we will focus entirely on a data-driven approach that uses machine learning algorithms trained on real measurements coming from multiple and heterogeneous photovoltaic strings. In order to learn how different fault categories behave, a test fault facility has been realized by Ricerca sul Sistema Energetico to inject failures and collect data from real PV power plants, without the need of a simulation environment.

I sistemi fotovoltaici sono una delle fonti energetiche più importanti nel campo delle energie rinnovabili e la loro importanza è destinata a crescere nel prossimo futuro. Alla fine del 2020, la capacità totale installata in tutto il mondo per il fotovoltaico ha raggiunto i 760 GW (Giga-Watt). Tuttavia, gli impianti fotovoltaici possono incorrere in guasti di varie entità, con ripercussioni sulle prestazioni fotovoltaiche e sulla produzione di energia. Inoltre, alcuni tipi di guasto possono danneggiare gravemente strumenti e moduli, provocando l'arresto della produzione di energia e la successiva sostituzione dei componenti guasti. Questa tesi affronta il problema di individuare e classificare alcuni tipi di guasti nel più breve tempo possibile. Un sistema di rilevamento veloce e in tempo reale può aiutare a ridurre i costi di Operation & Maintenance (O&M), aspetto fondamentale per le aziende di produzione di energia. In questo lavoro, ci concentreremo interamente su un approccio data-driven che utilizza algoritmi di apprendimento automatico addestrati su misurazioni reali provenienti da stringhe fotovoltaiche multiple ed eterogenee. Per apprendere come si comportano le diverse categorie di guasto, Ricerca sul Sistema Energetico ha realizzato una Fault Facility per iniettare guasti e raccogliere dati da centrali fotovoltaiche reali, senza la necessità di un ambiente di simulazione.