4.3
Shading Diagnostics System of Sensors
(SDSS)
4.3.1
Principio di funzionamento
Il SDSS si basa sul SDS con il metodo del confronto, con la differenza che in questo caso vengono comparate l’irradianza totale su piano inclinato (GT I) misurata dal sensore sul campo e quella osservata da satellite.
Perciò dopo aver caricato i dati delle caratteristiche dell’impianto, si accede alle misure di GT I in-situ e da satellite, si caricano anche i dati del CSI, della temperatura del modulo, del timestamp e degli angoli SAA e SZA, successivamente si definisce quale giorno deve essere analizzato (generalmente il giorno prima rispetto a quello in cui viene effettuata l’analisi).
Successivamente viene calcolato l’errore della GT I calcolato come indicato nell’equazione 4.3: GT Ierr = 100 · GT I sat− GT Imis GT Isat (4.3)
Sulla base di questi dati parte la diagnostica del sensore, come prima cosa vengono analizzati i valori misurati dal sensore e se si riscontrano anomalie (ad esempio valori troppo alti), è possibile che ci sia un errore di funzionamento del sensore, probabilmente dovuto ad una installazione sbagliata oppure se c’è la necessità di aggiornare il firmware, questo problema viene segnalato dal SDSS ; se i valori di GT I misurata rientrano nella norma si va ad analizzare il numero di volte in cui GT Ierr supera consecutivamente una certa soglia,
inoltre si accede al timestamp dell’ultimo punto in cui l’errore è sopra la soglia, tale punto dovrebbe corrispondere a quello finale del malfunzionamento, da questo valore si può capire se l’eventuale ombra è mattutina o pomeridiana. In definitiva se il numero di segnalazioni di errore fuori soglia è superiore ad un certo limite viene rilevata l’ombra e viene inviata una segnalazione via mail al proprietario (o al gestore) dell’impianto in cui, oltre a fornire le informazioni del sensore interessato dall’anomalia, vengono indicati SAA, SZA e gli orari di inizio e fine dell’ombreggiamento, qualora l’ombreggiamento fosse rilevato in giornate molto nuvolose, dove l’errore può essere molto elevato, la segnalazione inviata agli utenti indica che l’affidabilità della diagnosi non è
4.3. Shading Diagnostics System of Sensors (SDSS) 73
ottimale per effetto dell’eccessiva nuvolosità, si consiglia dunque di verificare se la segnalazione si ripete anche nelle giornate successive.
Se il numero di errori è molto elevato (ad esempio se tutti i punti analizzati hanno un errore sopra la soglia) è possibile che ci sia una copertura sul sensore, il SDSS è in grado di riconoscere anche questo malfunzionamento.
4.3.2
Esempi di applicazione del sistema
Di seguito sono riportati alcune applicazioni su impianti reali che indicano come il sistema lavora per la diagnostica sui sensori.
Il primo esempio riguarda un sensore che non ha problemi di ombre, questo lo si può notare osservando il confronto tra irradianza misurata dal sensore stesso e quella osservata da satellite (figura 4.34), la risposta del programma a tale condizione indica dunque che non ci sono problemi (figura 4.35). La giornata analizzata in questo esempio non è perfettamente clear-sky in particolare al mattino, questo comporta che l’errore tra le irradianze assume valori elevati ma altalenanti (positivi e negativi), questo esclude la presenza dell’ombra.
Il prossimo esempio è relativo ad un impianto il cui sensore è colpito da un ombra nelle prime ore del giorno, questo è osservabile nei grafici di figura 4.36 dove l’errore al mattino si mantiene molto elevato per più di un’ora, l’errore che si trova nelle ore serali non è preso in considerazione perché è ottenuto per modesti valori di irradianza; in figura 4.37 invece si riporta la risposta vera e propria del sistema, dove sono indicate le informazioni sull’impianto, il giorno analizzato, la posizione del sole al momento centrale dell’ombreggiamento (SAA e SZA) e l’ora di inizio e fine dell’ombra, infine viene inviata una mail di allarme al proprietario dell’impianto (figura 4.38).
L’esempio relativo alle figure 4.39, 4.40 e 4.41 mostrano una situazione simile alla precedente, solo che l’ombra mattutina è molto più marcata in quanto dura più di due ore.
Di seguito si riportano due esempi di applicazione per impianti con ombre serali sul sensore (figure 4.42 e 4.43). Le mail di segnalazione inviate al cliente per questi due esempi sono riportate in figura 4.44.
4.3. Shading Diagnostics System of Sensors (SDSS) 74
Figura 4.34: Confronto tra irriadianza misurata dal sensore e irradianza da osservazioni satellitare
Figura 4.35: Risultati SDSS per un impianto monitorato e senza ombre sul sensore
4.3. Shading Diagnostics System of Sensors (SDSS) 75
Figura 4.36: Confronto tra irriadianza misurata dal sensore e irradianza da osservazioni satellitare per un sensore ombreggiato al mattino
Figura 4.37: Risultati SDSS per un impianto monitorato con ombra mattutina sul sensore
4.3. Shading Diagnostics System of Sensors (SDSS) 76
Figura 4.38: Mail di allarme inviata dal SDSS per un sensore ombreggiato al mattino
Figura 4.39: Confronto tra irriadianza misurata dal sensore e irradianza da osservazioni satellitare per un sensore con una marcata ombra mattutina
Figura 4.40: Risultati SDSS per un impianto monitorato con una marcata ombra mattutina sul sensore
4.3. Shading Diagnostics System of Sensors (SDSS) 77
Figura 4.41: Mail di allarme inviata dal SDSS per un sensore fortemente ombreggiato al mattino
(a) Confronto irradianza misurata e da satellite (b) Risultati del SDSS
4.3. Shading Diagnostics System of Sensors (SDSS) 78
(a) Confronto irradianza misurata e da satellite (b) Risultati del SDSS
Figura 4.43: Esempio 2 di impianto con sensore ombreggiato nel pomeriggio
Figura 4.44: Mail di segnalazione inviate dal SDSS per sensori ombreggiati nel pomeriggio
4.3. Shading Diagnostics System of Sensors (SDSS) 79
Come già precedentemente spiegato, il SDSS è capace di diagnosticare anche altri tipi di malfunzionamenti, in figura 4.45 si riporta l’esempio per un sensore che è stato installato in modo improprio, infatti si può notare come i valori di irradianza misurati siano costantemente superiori rispetto a quelli provenienti da satellite, peraltro su valori totalmente inammissibili; una volta che SDSS se ne accorge invia anche in questo caso una mail informativa al proprietario dell’impianto (4.46).
(a) Confronto irradianza misurata e da satellite (b) Risultati del SDSS
Figura 4.45: Esempio di impianto con sensore installato non correttamente
Figura 4.46: Mail di allarme inviata dal SDSS per un sensore con problemi di misura dell’irradianza
5 Conclusioni e sviluppi futuri
La versione di partenza del sistema REController dà la possibilità ai clienti di monitorare le prestazioni dei propri impianti fotovoltaici attraverso la lettura delle principali grandezze misurate su appositi widget disposti in una schermata web (dashboard); inoltre è possibile fare un confronto visivo tra la potenza misurata e quella simulata da un modello optoelettronico, che riceve in ingresso dati elaborati da immagini ottiche satellitari.
In questo lavoro sono state studiate e sviluppate nuove funzionalità di monitoraggio e diagnostica che sono state integrate a quelle della prima versione del sistema, ottenendo ottimi risultati.
Le nuove tecniche di monitoraggio, che sono state prese maggiormente in considerazione, sono quelle basate sulla PCA (capitolo 3.4.2) e quelle che simulano il funzionamento dell’impianto mediante una rete neurale.
La tecnica con la PCA offre il vantaggio di visualizzare in un grafico 2D il punto di lavoro dell’impianto in cui sono concentrate tutte le misure dispo- nibili.
La rete neurale utilizzata per il monitoraggio è stata addestrata per capire il comportamento del sistema in base alle condizioni ambientali (di irradianza, temperatura modulo e orario) in cui si trova l’impianto. Il funzionamento ottimale di questo strumento si ha quando è addestrato con dati provenienti da misurazioni in-situ. Questo però richiede di avere a disposizione una notevole quantità di dati storici affidabili, quando non c’è tale disponibilità si adotta la soluzione che utilizza una rete neurale, allenata con dati provenienti dal modello optoelettronico che riceve in ingresso misure ricavate da satellite. Si prevede comunque il passaggio alla rete neurale con i dati storici una volta che ne sono stati registrati una quantità sufficiente per condizioni di corretto funzionamento dell’impianto, infatti, come mostrato nel paragrafo 2.4, il miglioramento dei risultati delle simulazioni è notevole.
81
In più, addestrando periodicamente il sistema con dati sempre aggiornati, si consente di avere simulazioni continuamente adattate al progressivo invec- chiamento dell’impianto, particolarità non prevista nella versione del sistema REController fino ad ora utilizzata. Oltre a questo si hanno vantaggi sulla stima delle perdite (che sono già incluse nell’addestramento della rete) ed i tempi di simulazione vengono notevolmente ridotti (i dati di un’intera giornata vengono elaborati in meno di un secondo).
La principale innovazione che è stata introdotta nel sistema REController è la diagnostica automatica da remoto di eventuali malfunzionamenti per l’impianto fotovoltaico.
In particolare sono stati sviluppati due sistemi, uno per la diagnostica in tempo reale (RTDS ) e uno per la diagnostica delle ombre (SDS ).
Il sistema RTDS basa il proprio funzionamento su reti neurali addestrate per riconoscere un particolare guasto, le anomalie che questo sistema è in grado di riconoscere sono:
• Moduli sporchi o ombreggiati; • Moduli Coperti;
• Problemi termici sull’impianto; • Guasto all’MPPT di inverter.
Il sistema SDS invece fa un confronto tra dati simulati e dati misurati inoltre, in base alle grandezze che riceve in ingresso, riesce ad identificare anche eventuali malfunzionamenti di natura diversa rispetto all’ombreggiamento, come una copertura sui moduli oppure dei problemi termici; questa funzio- nalità lavora con tempi più lunghi rispetto al RTDS.
Dal SDS è stato derivato anche un sistema di diagnostica per i sensori di irradianza(SDSS ) che confronta la GT I misurata con quella elaborata da osservazioni satellitari.
La caratterizzazione dei malfunzionamenti è stata assistita da attività speri- mentali su impianti di test e dalla consultazione di dati storici per impianti già monitorati.
82
sviluppato è in grado di avvertire automaticamente il proprietario o il gestore dell’impianto indicando il tipo di guasto rilevato e quale sottocampo ne è stato colpito, in modo da minimizzare le perdite di energia insieme ai costi e ai tempi di manutenzione.
Nonostante questa nuova versione del sistema REController sia già stata adottata da i-EM e resa operativa per alcuni impianti monitorati, sono comunque previsti dei miglioramenti che porteranno ad incrementare ulte- riormente le performance del sistema.
Assume una grande importanza migliorare i dataset di addestramento delle reti neurali utilizzate nel RTDS, in modo da ridurre al minimo false segna- lazioni di guasto o normale funzionamento; inoltre è richiesto di ampliare la lista dei guasti che il sistema è in grado di identificare così da avere un sistema il più completo possibile.
Un nuovo sviluppo futuro potrebbe essere quello di aggiungere anche una funzionalità per lo studio del trend di perdita di performance nel lungo periodo (Aging Diagnostics System, ADS ), che dallo studio dei dati sto- rici, utilizzando reti neurali ed il modello optoelettronico, riesca a capire se l’invecchiamento dell’impianto si mantiene entro i parametri indicati dall’installatore (o dal produttore dei moduli) oppure se si verificano dei comportamenti di invecchiamento precoce.
A Appendice
A.1
Reti Neurali
Introduzione
Come descritto nel capitolo introduttivo, è stato richiesto di realizzare un sistema intelligente di monitoraggio e diagnostica in grado di identificare le cause di malfunzionamenti e perdite di performance di un impianto fotovoltaico.
Con questo scopo sono stati realizzati diverse soluzioni delle quali sono stati valutati i loro punti di forza o di sfavore, in modo da capire quale sia la soluzione migliore.
Alcuni di questi metodi utilizzano reti neurali per cui è utile introdurre questi elementi ed il loro principio di funzionamento.
Una rete neurale può essere definita come un processore costituito da semplici unità di elaborazione connesse tra di loro secondo una massiccia distribuzione parallela, con la propensione per la rappresentazioni di relazioni sperimentali (del tipo ingresso-uscita) e rendendole disponibili per l’uso in situazioni future [16]. Il loro comportamento può essere considerato simile al cervello umano, sopratutto sotto due aspetti:
1. La conoscenza è acquisita dalla rete dal suo ambiente attraverso un processo di apprendimento.
2. Le forze delle delle connessioni tra i neuroni, dette pesi sinaptici, sono usate per memorizzare la conoscenza acquisita.
La procedura usata per il processo di apprendimento è chiamata algoritmo di apprendimento, la cui funzione è modificare i pesi sinaptici della rete in modo da raggiungere l’obiettivo prefissato.
A.1. Reti Neurali 84
La potenza di calcolo di una rete neurale deriva dalla sua struttura e dalla sua abilità di imparare e quindi generalizzare.
La generalizzazione riferita alla rete neurale consente di ottenere uscite ragionevoli per ingressi non incontrati durante l’apprendimento. Queste due capacità nell’elaborazione delle informazioni consente alle reti neurali di risolvere problemi di natura molto complessa.
Modello del neurone
L’unità di principale importanza in una rete neurale è il neurone, il cui modello è rappresentato in figura A.1 e forma la base per la progettazione della rete stessa, gli elementi base del modello sono:
1. Un insieme di connessioni o sinapsi, ognuna delle quali è caratterizzata da un peso.
2. Un nodo per sommare i segnali provenienti da altri neuroni e pesati dalle rispettive sinapsi.
3. Una funzione di attivazione per limitare l’ampiezza del segnale in uscita dal neurone.
Inoltre, come mostrato nel modello di figura A.1, può essere previsto un bias che ha l’effetto di incrementare o ridurre il segnale in ingresso alla funzione di attivazione. Input Signals x1 xm x2 wk1 wkm wk2 ∑ vk Output yk ϕ(⋅) Synaptic weights Summing junction Activation function Bias bk
A.1. Reti Neurali 85
In termini matematici è possibile esprimere l’uscita del neurone come:
yk = ϕ m X j=1 wkj· xj+ bk ! (A.1)
dove x1,x2,. . . ,xm sono i segnali in ingresso; wk1,wk2,. . . ,wkm sono i pesi
sinaptici del neurone k-esimo; bk è il bias; ϕ( · ) è la funzione di attivazione;
yk è il segnale di uscita del neurone. Si esprime il termine all’interno delle
parentesi dell’equazione A.1 come vk.
Funzioni di attivazione
I principali tipi di funzioni di attivazione del neurone sono:
1. Threshold Function: l’uscita del neurone vale 1 se il segnale in ingresso alla funzione è non-negativo, vale 0 altrove:
ϕ = 1 if v ≥ 0 0 if v < 0 (A.2)
Figura A.2: Threshold function
2. Sigmoid function: è la funzione il cui grafico ha la forma di una s e può assumere un continuo range di valori compresi tra 0 e 1. Questa funzione di attivazione è la più comune tra quelle usate per la costruzione di reti
A.1. Reti Neurali 86
neurali.
Un esempio di funzione sigmoidale è la funzione logistica, definita come:
ϕ(v) = 1
1 + e−av (A.3)
dove a è il parametro di pendenza della funzione sigmoidale; perciò variando a si ottengono funzioni sigmoidali di diversa pendenza.
Figura A.3: Sigmoid function
3. Piecewise-Linear function: è una funzione caratterizzata da un tratto lineare e altri due in cui la funzione vale rispettivamente 0 e 1, quindi può essere matematicamente definita come:
ϕ = 1 if v ≥ +1 2 v if + 1 2 > v > − 1 2 0 if v ≤ −1 2 (A.4)
Dalla funzione lineare a tratti si possono derivare una funzione li- neare senza saturazione e una funzione analoga alla funzione soglia precedentemente descritta.
Strutture delle reti neurali
Le reti neurali possono essere classificate in tre classi fondamentali a seconda di come i neuroni sono collegati tra di loro:
A.1. Reti Neurali 87
Figura A.4: Piecewise-Linear function
1. Single-Layer Feedforward Networks: la rete è organizzata in modo da avere un livello di ingresso con dei nodi sorgente diretti verso un livello di uscita composto dai neuroni. La struttura di questa rete è schematizzata in figura A.5a.
2. Multilayer Feedforward Networks: questa architettura di reti ha la caratteristica di essere composta da uno o più livelli nascosti composti da neuroni definiti anch’essi nascosti; un esempio di questa struttura è rappresentata in figura A.5b.
3. Recurrent Networks: la particolarità di questo dipo di rete, rispetto alle feedforward, è rappresentata dalla presenza di almeno un anello di retroazione, per cui i neuroni possono riportare il loro segnale di uscita in ingresso ad altri neuroni, questa struttura è rappresentata in figura A.5c
Metodi di apprendimento
La principale proprietà per una rete neurale è l’abilità di imparare dal suo ambiente e migliorare le proprie prestazioni attraverso l’apprendimento. L’apprendimento della rete può essere definito come il processo in cui i pesi sinaptici vengono adattati secondo un processo di simulazione dell’ambiente in cui la rete è integrata. Il tipo di allenamento è determinato dal modo in cui avviene il cambiamento dei parametri.
Uno dei metodi più comuni utilizzati per l’apprendimento delle reti neurali è l’algoritmo error back-propagation.
A.1. Reti Neurali 88
Figura A.5: Esempi di architettura di reti neurali: