L’obiettivo nazionale fissato per il 2030 nel Piano Nazionale Integrato per l’Energia e il Clima (PNIEC) è quello di raggiungere una capacità installata di fotovoltaico pari a 52 GW con una produzione di 74 TWh/anno.
Per il conseguimento di tale obiettivo, oltre a nuove installazioni fotovoltaiche e allo sviluppo di applicazioni e tecnologie più efficienti, è necessario ricorrere a strumenti in grado di preservare la produzione degli impianti mantenendo i livelli prestazionali attraverso interventi efficienti, che non gravano sul costo dell’energia elettrica prodotta da fotovoltaico (LCOE – Levelized Cost of Energy) ma, al contrario, lo riducono grazie ad una maggiore produzione a pari costo di investimento.
Negli ultimi anni le tecniche di Machine Learning (ML) sono state largamente impiegate per il rilevamento di guasti in diversi domini applicativi. Anche nel settore fotovoltaico tali tecniche trovano un interessante applicazione nello sviluppo di algoritmi Fault Detection and Diagnosis (FDD) cioè di identificazione e diagnosi dei guasti. La diagnosi dei guasti può fornire importanti indirizzi agli operatori addetti all’esercizio ed alla manutenzione, permettendo di ottimizzare i tempi di manutenzione e i costi di riparazione.
A tale scopo, in una precedente attività di questo progetto, RSE ha analizzato le principali cause di guasto con maggiore impatto economico nella vita di un impianto FV e ha progettato una Facility Guasti FV in grado di indurre condizioni di guasto in impianti di piccola taglia.
Con questo lavoro RSE ha avviato la realizzazione della Facility Guasti FV e ha analizzato il comportamento dei componenti di impianto durante le condizioni di guasto indotte. I dati acquisiti dalle prove di guasto sono utilizzati nell’addestramento e la verifica di algoritmi FDD.
L’utilizzo di dati reali è stato un valore aggiunto per lo sviluppo dell’algoritmo FDD, in quanto ha permesso di tenere conto delle problematiche che possono presentarsi in campo FV e che in genere vengono trascurati se si considerano dati generati da modelli teorici.
Infine, nell’ambito di un contratto di ricerca con il Politecnico di Milano, è stata esaminato lo stato dell’arte delle tecniche di ML ed è stato avviato lo sviluppo di un algoritmo FDD, che verrà completato e validato, in una successiva attività del progetto, attraverso i dati generati dalla Facility Guasti FV.