Advanced data-driven methods for fault detection and diagnosis in photovoltaic systems

Photovoltaic systems have emerged as one of the most important sources of renewable energy within the current landscape and are destined to play an increasingly crucial role in the foreseeable future. As of the conclusion of 2022, the cumulative global installed capacity of photovoltaic systems surpassed a monumental milestone, exceeding 1 Tera-Watt (TW) of power generation. However, these systems are susceptible to a range of failures, varying in magnitude and scope. These failures bear the potential to not only significantly impede photovoltaic performance, consequently undermining energy production efficiency, but also to cause severe damage to systems' components and be a potential danger for workers. This thesis, which is a collaborative research endeavor conducted in partnership between Politecnico di Milano and Ricerca sul Sistema Energetico (RSE), explores various fault types within PV systems, leveraging real-world data from RSE's facilities. This research aims at advancing fault detection and classification techniques using a data-driven approach powered by machine learning algorithms. By proactively identifying faults, the proposed methodology contributes to optimizing the performance of PV systems, safeguarding investments, and ensuring the well-being of workers.

I sistemi fotovoltaici sono emersi come una delle fonti di energia rinnovabile più importanti nel panorama attuale e sono destinati a svolgere un ruolo sempre più cruciale in futuro. Alla fine del 2022, la capacità totale installata in tutto il mondo dei sistemi fotovoltaici ha superato la pietra miliare di 1 Tera-Watt (TW) di generazione di potenza. Tuttavia, questi sistemi sono soggetti a una serie di guasti, variabili in magnitudine e tipologia. Questi malfunzionamenti hanno il potenziale non solo di compromettere significativamente le prestazioni fotovoltaiche, minando di conseguenza l'efficienza della produzione di energia, ma anche di causare gravi danni ai componenti e rappresentare un potenziale pericolo per i lavoratori. Questa tesi, che è un impegno di ricerca collaborativa condotto in partnership tra il Politecnico di Milano e Ricerca sul Sistema Energetico (RSE), esplora vari tipi di guasti nei sistemi fotovoltaici, sfruttando dati reali provenienti dalle strutture di RSE. Questa ricerca mira a migliorare le tecniche di rilevamento e classificazione dei guasti utilizzando un approccio data-driven che utilizza algoritmi di apprendimento automatico. Identificando velocemente i guasti, la metodologia proposta contribuisce a ottimizzare le prestazioni dei sistemi fotovoltaici, a proteggere gli investimenti e a garantire la sicurezza dei lavoratori.