Data-Driven Approach for Fault Detection and Diagnosis in Photovoltaic Systems

Photovoltaic (PV) systems are one of the most important sources of renewable energy, and their deployment is expected to grow substantially in the coming years. By the end of 2023, the global cumulative PV capacity reached 1.6 TeraWatt (TW), significantly contributing to the reduction of CO2 emissions from electricity generation. However, these systems are subject to numerous failures at the level of electrical components, which can damage modules and cause considerable power loss. This thesis addresses the problem of identifying and diagnosing faults in a photovoltaic string. The goal is to develop an automated system capable of detecting failures promptly, thereby potentially reducing maintenance costs. The work proposes a data-driven approach, employing machine learning algorithms trained on real measurements collected from heterogeneous photovoltaic strings. This data is sourced from a test fault facility realized by Ricerca sul Sistema Energetico (RSE), where real failures were simulated and recorded. By analyzing these measurements, the system aims to enhance fault detection and improve the reliability of PV installations.

I sistemi fotovoltaici (PV) rappresentano una delle fonti di energia rinnovabile più importanti, e si prevede che il loro impiego crescerà notevolmente nei prossimi anni. Alla fine del 2023, la capacità fotovoltaica cumulativa globale ha raggiunto 1,6 TeraWatt (TW), contribuendo significativamente alla riduzione delle emissioni di CO2 derivanti dalla produzione di elettricità. Tuttavia, questi sistemi sono soggetti a numerosi guasti a livello dei componenti elettrici, che possono danneggiare i moduli e causare una notevole perdita di potenza. Questa tesi affronta il problema dell'identificazione e della diagnosi dei guasti in una stringa fotovoltaica. L'obiettivo è sviluppare un sistema automatizzato in grado di rilevare tempestivamente i guasti, riducendo così i costi di manutenzione. Il lavoro propone un approccio data-driven, utilizzando algoritmi di apprendimento automatico addestrati su misurazioni reali raccolte da stringhe fotovoltaiche eterogenee. Questi dati provengono da un impianto di test realizzato da Ricerca sul Sistema Energetico (RSE), dove sono stati simulati e registrati guasti reali. Analizzando queste misurazioni, il sistema mira a migliorare la rilevazione dei guasti e ad aumentare l'affidabilità delle installazioni fotovoltaiche.