L’Unione Europea ha stabilito ambiziosi obiettivi climatici per il 2050, con un’enfasi significativa sul contributo delle energie rinnovabili, come il fotovoltaico, per soddisfare la crescente domanda energetica futura. Recentemente, il Ministero dell’Ambiente e della Sicurezza Energetica ha presentato alla Commissione Europea una proposta di aggiornamento del Piano Nazionale Integrato Energia e Clima, prevedendo un notevole aumento delle installazioni fotovoltaiche a una capacità complessiva di 80 GW e una produzione di circa 100 TWh.

Questi obiettivi richiedono un notevole incremento  sia nella capacità installata di impianti fotovoltaici (FV) che nella loro produzione energetica. Mantenere elevate le prestazioni degli impianti esistenti e dei nuovi impianti è essenziale per raggiungere tali traguardi. La rapida crescita delle installazioni FV pone altresì la sfida agli operatori di gestire un portfolio impianti dell’ordine dei GW, con notevoli richieste di risorse umane e finanziarie.

In questo contesto, la digitalizzazione e la robotizzazione delle attività di ispezione degli impianti fotovoltaici giocano un ruolo cruciale nella riduzione dei costi di Operation & Maintenance (O&M) e consentono di incrementare la produzione FV. L’identificazione e la diagnosi dei guasti tramite algoritmi basati su Machine Learning forniscono informazioni preziose agli operatori O&M, consentendo di risolvere tempestivamente i problemi, di ottimizzare i tempi e i costi di riparazione e quindi di riportare celermente l’impunto al normale funzionamento.

Il lavoro oggetto di questo rapporto ha inteso sviluppare strumenti per sostenere il settore dell’O&M nel massimizzare la produzione energetica. A questo scopo, attraverso la Facility Guasti FV di RSE, sono stati generati set di dati di grandi dimensioni in un periodo di oltre 4 anni, corrispondenti a oltre 1,6 milioni di record opportunamente etichettati con fenomeni di guasto, utili allo studio di guasti combinati e degli ombreggiamenti parziali. I dati raccolti sono utilizzabili dalla comunità scientifica attraverso un Repository di dati, progettato nel corso di questo lavoro.

Le serie di dati FV sono stati inoltre funzionali allo sviluppo di modelli di diagnosi dei guasti combinati e allo sviluppo di tecniche di riaddestramento dei modelli di diagnosi per mantenere elevata la loro accuratezza anche in presenza di degrado generato dal naturale invecchiamento della tecnologia. Il classificatore dei guasti combinati è stato in grado di identificare correttamente il tipo di guasto in quasi il 100% delle osservazioni considerate, mentre l’ausilio di un change detector ha dato un coefficiente di determinazione R2 sopra lo 0,90 per tutti gli anni esaminati.