L’Unione Europea ha fissato obiettivi climatici ambiziosi per il 2050, con un focus particolare sul ruolo delle energie rinnovabili, come il fotovoltaico, nel soddisfare la crescente domanda di energia. Il Ministero dell’Ambiente e della Sicurezza Energetica ha presentato alla Commissione Europea una proposta di aggiornamento del Piano Nazionale Integrato Energia e Clima, con l’intenzione di incrementare significativamente la capacità fotovoltaica, raggiungendo gli 80 GW di installazioni e una produzione di circa 100 TWh.

Per raggiungere questi traguardi, è necessaria un’espansione sia della capacità installata che della produzione energetica effettiva degli impianti fotovoltaici. Garantire alte prestazioni sia per gli impianti esistenti che per quelli futuri è fondamentale. La rapida crescita delle installazioni fotovoltaiche comporta per i gestori, il monitoraggio e la gestione di un portafoglio di impianti sempre più grande, dell’ordine dei gigawatt, con conseguenti necessità di risorse umane e finanziarie.

In questo scenario, la digitalizzazione e la robotizzazione delle attività di ispezione degli impianti fotovoltaici assumono un ruolo fondamentale per la riduzione dei costi di Operation & Maintenance (O&M). L’uso di algoritmi di Machine Learning per l’identificazione e la diagnosi dei guasti fornisce informazioni essenziali per gli operatori O&M, permettendo loro di risolvere tempestivamente i problemi e ottimizzare tempi e costi di intervento.

Questo lavoro si propone di sviluppare strumenti a supporto del settore O&M, al fine di massimizzare la produzione energetica. Sono stati creati dataset di guasto etichettati, attraverso la Facility Guasti FV, per lo studio dei guasti principali di impianto, e dei fenomeni degli ombreggiamenti parziali. I dati raccolti sono inoltre resi disponibili alla comunità scientifica del fotovoltaico tramite il PVDatalake, un Repository realizzato e pubblicato su Web.

Le serie di dati ottenute sono state utilizzate per sviluppare modelli di diagnosi dei guasti, anche tra loro combinati, nonché è stato esteso anche il riconoscimento degli ombreggiamenti parziali. I risultati ottenuti derivano dall’applicazione dell’algoritmo  a impianti fotovoltaici con caratteristiche differenti, ovvero con tecnologia monofacciale e bifacciale. Per la tecnologia monofacciale, i risultati ottenuti sono stati soddisfacenti. Nella fase di rilevamento del guasto, il modello ha raggiunto un tasso di verità positiva (o recall) complessivo di 0,855, dimostrando una buona capacità di identificare la maggior parte dei casi di guasto.

La precisione complessiva è risultata pari a 0,857, indicando che l’algoritmo ha segnalato correttamente i guasti nella maggior parte dei casi. Per quanto riguarda la fase di diagnosi, l’accuratezza bilanciata—una metrica che tiene conto di eventuali squilibri nelle classi e misura la proporzione di previsioni corrette rispetto al totale delle osservazioni—è stata di 0,896, confermando la capacità del modello di generalizzare le sue previsioni oltre una semplice suddivisione casuale dei dati.

L’applicazione del medesimo algoritmo alla tecnologia bifacciale ha tuttavia evidenziato la necessità di adattare il modello di previsione FV per la previsione dei i parametri di tensione e corrente. In questo caso, infatti, l’accuratezza di riconoscimento guasti ed il tasso di verità positiva hanno raggiunto un valore insufficiente per garantire un’affidabilità adeguata nella fase di diagnosi nella tecnologia bifacciale.