Advanced algorithms for operating photovoltaic and battery systems within the digital twin framework

The urgent need to address climate change and reduce dependence on fossil fuels has led to an unprecedented integration of renewable energy sources in the global energy mix. Over the past decade, the adoption rate of photovoltaic (PV) systems has seen a particular surge driven by their declining costs, improved efficiency, and modular nature. Despite this rise, PV energy remains inherently intermittent and largely non-dispatchable. As a result, the inclusion of battery storage has become imperative for large-scale PV installations to comply with current and future grid regulations, as well as to provide valuable market-oriented services. This thesis proposes multiple model-based (MB) and data-driven algorithms for the purpose of optimizing operation, monitoring and predictive maintenance of PV and battery systems. The first one is an existing MB algorithm for maximum power point tracking of PV systems which is able to quickly converge to the maximum power, thus outperforming the common tracking techniques during dynamic weather conditions However, to remain accurate, the MB algorithm also requires new data to periodically update its parameters, which was initially obtained by turning off the system, resulting in loss of production. To overcome this limitation, this thesis introduces a solution that occasionally switches to the Perturb and Observe (P&O) algorithm, allowing the PV system to remain operational while collecting the necessary data. The effective operation of the combined MB and P&O algorithm is demonstrated on a large dataset collected over a 6-month interval. Furthermore, the optimal parameter update strategy is presented, ensuring continuously accurate tracking while minimizing the computational burden on the hardware. The growing presence of PV plants has resulted in a reduction of the grid’s inertia, thereby diminishing its capability to perform the vital function of primary frequency regulation. Enabling direct participation of PV systems in this process, without costly battery storage, can only be achieved by operating PV plants with a constant active power reserve across various environmental conditions. This thesis enhances the MB algorithm precisely for this purpose. Firstly, the algorithm’s capability to operate at any power ratio between 20% and 100% of maximum available power is demonstrated. Subsequently, it is shown that the algorithm can indeed enable a PV system to maintain a constant active power reserve during varying environmental conditions. Lastly, a grid level simulation is implemented, showcasing a 100 kW PV system’s ability to fully engage in primary frequency regulation when utilizing the developed algorithm. Moreover, various data-driven models have been developed to predict the key battery parameters, state of health (SoH) and remaining useful life (RUL). Initially, models based on various machine learning (ML) strategies including linear and polynomial regression, random forest and support vector regression (SVR) were analyzed and compared for the purpose of SoH estimation. Among these, models employing SVR exhibited superior performance. Consequently, the efficacy of this ML strategy was further tested on a more substantial dataset, once again yielding successful results. Finally, a Long Short-Term Memory neural network was devised, for the purpose of RUL prediction, selected for its ability to retain information over extended periods, making it particularly suitable for this task.

L’urgente necessità di affrontare il cambiamento climatico e ridurre la dipendenza dai combustibili fossili ha portato a un a forte integrazione delle fonti energetiche rinnovabili nel mix energetico globale. Negli ultimi dieci anni, il tasso di adozione dei sistemi fotovoltaici (PV) ha registrato un’impennata guidata dalla diminuzione dei costi, dal miglioramento dell’efficienza e dalla natura modulare. Nonostante questo aumento, l’energia fotovoltaica rimane intrinsecamente intermittente e in gran parte non dispacciabile. Di conseguenza, l’inclusione dello stoccaggio in batterie è diventata fondamentale affinché gli impianti fotovoltaici su larga scala siano conformi alle normative attuali e future della rete, nonché per fornire preziosi servizi orientati al mercato. Questa tesi propone molteplici algoritmi basati su modelli (MB) e data-driven allo scopo di ottimizzare il funzionamento, il monitoraggio e la manutenzione predittiva dei sistemi fotovoltaici e delle batterie. Il primo è un algoritmo MB esistente per l'inseguimento del punto di massima potenza dei sistemi fotovoltaici che è in grado di convergere rapidamente verso la potenza massima, superando così le comuni tecniche di inseguimento durante condizioni meteorologiche dinamiche. Tuttavia, per rimanere accurato, l'algoritmo MB richiede anche nuovi dati per aggiornare periodicamente i propri parametri, operazione inizialmente ottenuta spegnendo il sistema, con conseguente perdita di produzione. Per superare questa limitazione, questa tesi introduce una soluzione che occasionalmente passa all'algoritmo perturba e osserva (P&O), consentendo al sistema fotovoltaico di rimanere operativo mentre raccoglie i dati necessari. Il funzionamento efficace dell'algoritmo combinato MB e P&O è dimostrato su un ampio set di dati raccolto nell'arco di 6 mesi. Inoltre, viene presentata la strategia ottimale di aggiornamento dei parametri, garantendo un tracciamento continuo e accurato riducendo al minimo il carico computazionale sull'hardware. La crescente presenza di impianti fotovoltaici ha comportato una riduzione dell’inerzia della rete, diminuendo così la sua capacità di svolgere la funzione vitale di regolazione della frequenza primaria. La partecipazione diretta dei sistemi fotovoltaici a questo processo, senza costosi stoccaggi in batterie, può essere ottenuta solo facendo funzionare gli impianti fotovoltaici con una riserva di potenza attiva costante in varie condizioni ambientali. Questa tesi potenzia l’algoritmo MB proprio per questo scopo. In primo luogo, viene dimostrata la capacità dell’algoritmo di funzionare con qualsiasi rapporto di potenza compreso tra il 20% e il 100% della potenza massima disponibile. Successivamente, viene dimostrato che l’algoritmo può effettivamente consentire a un sistema fotovoltaico di mantenere una riserva di potenza attiva costante al variare delle condizioni ambientali. Infine, viene implementata una simulazione a livello di rete, che mostra la capacità di un sistema fotovoltaico da 100 kW di impegnarsi pienamente nella regolazione della frequenza primaria quando si utilizza l’algoritmo sviluppato. Inoltre, sono stati sviluppati vari modelli basati sui dati per prevedere i parametri chiave della batteria, lo stato di salute (SoH) e la vita utile rimanente (RUL). Inizialmente, sono stati analizzati e confrontati modelli basati su varie strategie di machine learning (ML), tra cui regressione lineare e polinomiale, foresta casuale e regressione dei vettori di supporto (SVR) ai fini della stima SoH. Tra questi, i modelli che utilizzano SVR hanno mostrato prestazioni superiori. Di conseguenza, l’efficacia di questa strategia ML è stata ulteriormente testata su un set di dati più consistente, ottenendo ancora una volta risultati positivi. Infine, è stata ideata una rete neurale di memoria a breve termine, ai fini della previsione RUL, selezionata per la sua capacità di conservare informazioni per periodi estesi, rendendola particolarmente adatta a questo compito.