Photovoltaic modules fault detection and power output estimation: a deep learning approach based on electroluminescence images

The accurate detection of faults in photovoltaic modules/cells and the prediction of their effective power output is becoming increasingly critical for both the reliability of associated systems and the efficiency of electricity production from renewable energy sources. Existing studies often work with datasets containing photovoltaic cells that exhibit one fault at a time, leading to the classification of photovoltaic cells with multiple faults as “mixed” faults. Moreover, factors such as cell alignment and specific fault types, collectively referred to as “cell level features”, are not considered in current studies predicting the power output of a photovoltaic module. This thesis, therefore, focuses on a comprehensive deep-learning pipeline for separately detecting three types of faults in photovoltaic modules/cells using electroluminescence images of photovoltaic modules. It also predicts the power output of photovoltaic modules by considering the cell-level features extracted from the electroluminescence images. The proposed model demonstrates its ability to detect “black core”, “crack”, and “edge” faults with global accuracies of 0.93, 0.868, and 0.95, respectively. Furthermore, the proposed model, which utilizes the features extracted from photovoltaic cells, predicts the power output of photovoltaic modules with a normalized mean absolute error of 0.03547 and a normalized root mean squared error of 0.04892. This outperforms the base model that relies solely on non-preprocessed detected faults and significantly larger models adept at extracting features from electroluminescence images of photovoltaic modules.

Il rilevamento accurato dei guasti nei moduli/celle fotovoltaiche e la stima della loro potenza, sta diventando sempre più critico sia per l'affidabilità dei sistemi associati che per l'efficienza della produzione di energia elettrica da fonti rinnovabili. Gli studi esistenti spesso usano dati contenenti celle fotovoltaiche che presentano un tipo di difetto alla volta, portando alla classificazione delle celle fotovoltaiche con difetti multipli con la generica dicitura di "guasti misti". Inoltre, fattori come l'allineamento delle celle ed i tipi di difetto, indicati collettivamente come "caratteristiche a livello di cella", non sono considerati negli studi attuali che stimano la produzione di energia di un intero modulo fotovoltaiche. Questa tesi, pertanto si concentra su un approccio completo basato sul Deep Learning per rilevare separatamente tre tipi di difetti nei moduli/cellule fotovoltaiche utilizzando immagini di elettroluminescenza di moduli fotovoltaiche. La metodologia proposta è inoltre in grado si stimare il punto di massima potenza in uscita dal modulo fotovoltaiche considerando le curve caratteristiche, a livello di cella, estratte dalle immagini di elettroluminescenza del modulo stesso. Il modello proposto dimostra di rilevare con successo i difetti di tipo "black core", "crack" e "edge" con un'accuratezza globale di 0.93, 0.868 e 0.95 rispettivamente. Inoltre, la metodologia proposta, utilizza le curve caratteristiche estratte dalle celle fotovoltaiche, per stimare la potenza dei moduli fotovoltaici con un errore medio assoluto normalizzato di 0.03547 ed un errore quadratico medio normalizzato di 0.04892. Il modello proposto ha dimostrato prestazioni superiori rispetto a quelle del modello di base che si basa esclusivamente su guasti rilevati non pre-processati e rispetto a modelli significativamente più grandi, capaci di estrarre caratteristiche dalle immagini elettroluminescenza dei moduli fotovoltaiche.