Sviluppo di un sistema intelligente di monitoraggio e diagnostica delle prestazioni di impianti fotovoltaici da remoto

(1)

DIPARTIMENTO DI INGEGNERIA DELL’ENERGIA,

DEI SISTEMI, DEL TERRITORIO E DELLE

COSTRUZIONI

Tesi di Laurea Magistrale

in Ingegneria Elettrica

Sviluppo ed implementazione di un sistema intelligente

di monitoraggio e diagnostica delle prestazioni di

impianti fotovoltaici da remoto

Relatori:

Dr. Ing. Mauro Tucci

Dr. Marco Morelli

Candidato:

Antonio Piazzi

(2)

Abstract

In questo lavoro è stato realizzato un sistema automatico di diagnostica e monitoraggio da remoto per impianti fotovoltaici attivi.

Il sistema è basato sull’analisi delle misure di produzione dell’impianto e dei dati ambientali provenienti sia da sensori installati in-situ che da osservazioni satellitari. Per tale analisi sono stati utilizzati metodi innovativi di statistica avanzata ed intelligenza computazionale.

Lo strumento sviluppato è in grado di rilevare malfunzionamenti e perdite di performance dell’impianto, concentrandosi sull’identificazione delle possibili cause.

L’attività di sviluppo delle logiche di identificazione delle diverse cause di guasto e dei funzionamenti anomali, è stata coadiuvata da una attività di laboratorio su impianti sperimentali, sui quali è stato testato e validato il funzionamento del sistema di monitoraggio proposto.

This work presents the study and analysis of measures of photovoltaic plants production and enviromental data measured by sensors and satellite observations, with the aim of creating a remote monitoring and diagnostics system.

This tool is able to detect plant malfunctions and performance losses, focusing on the identification of the possible causes.

The development of the automatic system is based on advanced statistics and computational intelligence.

The identification of several causes for failures and malfunctions is supported by experimental activity on test plants, where the system has been evaluated to assess its behaviour.

(3)

Indice

1 Introduzione 1

2 Sistemi di monitoraggio delle prestazioni di impianti

foto-voltaici 4

2.1 Dati di input ai sistemi di monitoraggio . . . 4

2.2 Versione pre-esistente del sistema di monitoraggio REController . . . 6

2.2.1 Modello circuitale optoelettronico . . . 7

2.3 Sistema di monitoraggio con rete neurale . . . 9

2.4 Analisi degli errori dei modelli . . . 17

2.5 Funzionalità del nuovo sistema di monitoraggio e diagnostica 20 3 Analisi e classificazione delle anomalie 22 3.1 Introduzione . . . 22 3.2 Impianti di test . . . 23 3.3 Descrizione anomalie . . . 24 3.3.1 Copertura moduli . . . 24 3.3.2 Problemi termici . . . 28 3.3.3 Guasto al MPPT di inverter . . . 31 3.3.4 Ombra sull’impianto . . . 31

3.3.5 Ombra sul sensore di irradianza . . . 33

3.4 Analisi statistica e clustering . . . 34

3.4.1 Clustering . . . 34

3.4.2 Principal Components Analysis (PCA) . . . 37

4 Realizzazione del sistema di diagnostica 41 4.1 Real-Time Diagnostics System (RTDS) . . . 41

(4)

Indice ii

4.1.1 Principio di funzionamento . . . 41

4.1.2 Esempi di applicazione del sistema . . . 44

4.2 Shading Diagnostics System (SDS) . . . 57

4.2.1 Metodo di Confronto: Principio di funzionamento . . 57

4.2.2 Metodo di Confronto: Esempi di applicazione . . . . 59

4.2.3 Metodo di Riconoscimento del profilo: Principio di funzionamento . . . 68

4.2.4 Metodo di Riconoscimento del profilo: Esempi di applicazione . . . 70

4.3 Shading Diagnostics System of Sensors (SDSS) . . . 72

4.3.1 Principio di funzionamento . . . 72

4.3.2 Esempi di applicazione del sistema . . . 73

5 Conclusioni e sviluppi futuri 80 A Appendice 83 A.1 Reti Neurali . . . 83

A.2 Algoritmo Broyden Fletcher Goldfarb Shanno . . . 89

(5)

1 Introduzione

L’identificazione di perdite di energia in impianti fotovoltaici richiede un’analisi piuttosto complessa che può impiegare un grande dispendio di tempo. Creare un sistema automatico che, dall’analisi delle prestazioni di un impianto fotovoltaico, sia capace di riconoscere un malfunzionamento, la causa che lo ha scaturito e la zona di impianto che è interessata, aiuta a limitare gli effetti di questa criticità sia in termini di energia prodotta che di tempo necessario per la manutenzione, ottenendo perciò notevoli benefici economici per i proprietari degli impianti.

Ad oggi la diagnostica degli impianti fotovoltaici si basa principalmente su informazioni fornite dagli inverter relative in particolare allo stato dei propri componenti interni (scheda di comando, software, IGBT, ecc...) e delle grandezze elettriche che questi misurano.

Questo tipo di monitoraggio non consente di capire quanto le prestazioni dell’impianto, relativamente alla parte DC dove sono collegati i moduli fotovoltaici, si avvicinino a quelle massime ottenibili a parità di condizioni ambientali; ad esempio non è in grado di vedere se c’è una copertura indesiderata su un certo numero di moduli o di stringhe.

Per riconoscere lo stato di malfunzionamento di un impianto, sono stati sviluppati dei sistemi di monitoraggio basati su simulazioni che ricevono in ingresso dati elaborati a partire da immagini ottiche satellitari; quando la differenza tra i risultati delle simulazioni e le misure sul campo supera una certa soglia di accettabilità è probabile che l’impianto si trovi in una condizione di guasto; si possono trovare descrizioni di questi sistemi in [1] [2] [3] [4].

La qualità del sistema di monitoraggio e diagnostica è fortemente influenzata dalla precisione dei dati provenienti da satellite, che dipende anche dalle condizioni meteorologiche del sito interessato; in caso di condizioni di cielo

(6)

2

sereno l’errore è limitato, quando invece la giornata è nuvolosa l’errore tende ad essere più alto.

Il lavoro presentato in questa tesi ha avuto come scopo la realizzazione di un sistema intelligente di diagnostica e monitoraggio da remoto delle prestazioni di impianti fotovoltaici. L’attività è stata svolta presso i-EM Srl (Intelligence in Energy Management), azienda operante nel settore dei sistemi ICT per gli impianti a energie rinnovabili, nata dalla partnership tra Flyby Srl e Enel Spa.

Gli impianti fotovoltaici attualmente monitorati da i-EM sono oltre 500, la soluzione offerta da alcuni anni ai clienti, chiamata REController, consente un controllo da remoto in cui, attraverso un portale web, è possibile osservare tutte le misure provenienti dall’impianto e confrontarle con i risultati di simulazioni basate su osservazioni satellitari.

Le nuove soluzioni studiate in questo lavoro, sono state integrate nella prima versione di REController in modo da migliorarne la funzionalità di monito-raggio e creare un sistema automatico di diagnostica per il riconoscimento dei guasti.

Il sistema che è stato sviluppato offre un monitoraggio più accurato, capace di considerare anche le normali perdite di prestazioni nel tempo dell’impianto; inoltre invia importanti informazioni al cliente (via mail o SMS) quando un impianto ha un malfunzionamento, indicando di quale anomalia si tratta e quale parte dell’impianto ne è stata colpita, con il vantaggio di limitare sia le perdite di energia che le spese ed i tempi per la manutenzione.

Il sistema di diagnostica è capace di riconoscere guasti a poche ore da quando iniziano a manifestarsi (Real-Time Diagnostics Systems, RTDS ). Inoltre è in grado, lavorando con orizzonti temporali più lunghi, di riconoscere om-breggiamenti sull’impianto o sul sensore di irradianza (Shading Diagnostics Systems, SDS e Shading Diagnostics Systems of Sensors, SDSS ).

Per la realizzazione del sistema sono stati utilizzati approcci basati su statisti-ca avanzata ed intelligenza computazionale, inoltre sono state effettuate delle prove su impianti di test, messi a disposizione da i-EM, sia per comprendere meglio come si manifesta un malfunzionamento che per verificare il corretto funzionamento di quanto sviluppato.

(7)

3

I codici del programma sono stati scritti in Python in quanto è un linguaggio open-source con una vasta community di utenti: ciò consente di avere a di-sposizione molti pacchetti di programmazione per varie applicazioni. Python è inoltre un linguaggio cross-platform e si interfaccia bene con diversi tipi di database.

Nel seguito sono descritte con maggiore dettaglio le nuove funzionalità apportate dal sistema sviluppato (capitolo 2), successivamente è presentato lo studio sui sistemi di monitoraggio, dove sono confrontati i nuovi approcci con quello già esistente; nel capitolo 3 è riportato lo studio delle anomalie che il sistema è in grado di individuare; la descrizione dei sistemi di diagnostica sviluppati ed i risultati che sono stati ottenuti si trovano nel capitolo 4. Infine, nel capitolo 5, si riportano le conclusioni del lavoro con i possibili sviluppi futuri.

(8)

2 Sistemi di monitoraggio delle

prestazioni di impianti

fotovoltaici

Il sistema REController di partenza consente il monitoraggio delle presta-zioni degli impianti osservando, su dei grafici, gli andamenti delle grandezze misurate, con la possibilità di un confronto con simulazioni basate sulla ricezione di dati da satellite.

Il nuovo sistema sviluppato aumenta le funzionalità del precedente grazie a soluzioni che migliorano il monitoraggio e concedono al cliente la possibilità di una diagnostica da remoto con riconoscimento automatico dei guasti (capitolo 4).

Le tecniche di monitoraggio utilizzate per la nuova versione di REController si basano sul confronto dei dati misurati sull’impianto e quelli provenienti da simulazioni che utilizzano un modello circuitale oppure una rete neurale. Nella prima parte di questa sezione si introducono le grandezze utilizzate come ingressi per simulare le prestazioni degli impianti, nel seguito si pre-sentano i sistemi di monitoraggio, descrivendo gli strumenti di simulazione. Infine si descrivono le funzionalità del nuovo sistema di monitoraggio e diagnostica.

2.1 Dati di input ai sistemi di monitoraggio

I dati in ingresso alle simulazioni per il monitoraggio delle prestazioni degli impianti fotovoltaici, generalmente provengono da misure dell’inverter, dai sensori di misura sull’impianto oppure da particolari elaborazioni di dati di origine satellitare.

(9)

2.1. Dati di input ai sistemi di monitoraggio 5

L’inverter registra i dati delle grandezze elettriche caratteristiche della sezione di impianto che lo interessano, in particolare vengono misurate la potenza, le correnti e le tensioni sia sul lato DC che su quello AC, in più viene fornita anche la misura dell’energia prodotta.

Nel sito dell’impianto possono essere installati anche dei sensori per la misura delle grandezze ambientali ad esempio: temperatura dei moduli e dell’aria, irradianza solare, direzione e intensità del vento, ed altro ancora.

Una delle grandezze ambientali di maggiore importanza per il monitoraggio è l’irradianza totale su piano inclinato (GT I) che viene misurata per un piano orientato ed inclinato come i pannelli tenendo conto di di tre componenti: la componente diretta (BTI), quella diffusa (DTI) e quella riflessa dal terreno e dagli oggetti circostanti all’impianto (RTI), dunque:

GT I = BT I + DT I + RT I (2.1) I dati misurati sul campo vengono ricevuti da un datalogger il quale li invia ai database di i-EM tramite una comunicazione GPRS o ADSL.

I dati derivati da osservazioni satellitari vengono calcolati attraverso la stima della nuvolosità vista dal satellite nel luogo dove si trova l’impianto, questo dato viene elaborato insieme al modello di calcolo dell’irradianza clear-sky, per la stessa locazione geografica, in questo modo si ottiene l’irradianza totale su piano orizzontale (GHI ), a questo punto, conoscendo l’inclinazione dei pannelli sull’impianto, viene stimata la GTI.

Elaborando la GTI con la temperatura ambientale (ottenuta da sensori installati in-situ o da previsioni meteorologiche) è possibile ricavare la tem-peratura dei moduli.

Uno schema di come i dati satellitari vengono elaborati per ricavare la GTI e la temperatura dei moduli è riportato in figura 2.1.

(10)

2.2. Versione pre-esistente del sistema di

monitoraggio REController 6

Figura 2.1: Rappresentazione dell’elaborazione dati provenienti da satellite

2.2 Versione pre-esistente del sistema di

monitoraggio REController

Il sistema REController è la soluzione che i-EM offre ai propri clienti per la gestione ed il monitoraggio da remoto della generazione elettrica distribuita da fonti rinnovabili. Il cliente può monitorare lo stato del proprio impianto direttamente sul web, dove tutte le funzionalità del sistema sono organizzate sotto forma di widget (componenti) che sono aggregati in una dashboard (cruscotto) per una visione sinottica di più informazioni.

I widget disponibili nell’interfaccia di REController riguardano le carat-teristiche dell’impianto (posizione geografica, potenza nominale, numero di inverter, ecc..) e le misure delle principali grandezze elettriche sia sul lato AC che su quello DC degli inverter, con la possibilità di analizzare le performance attraverso il confronto tra questi dati e quelli provenienti da simulazioni che ricevono in ingresso dati meteorologici e ambientali prove-nienti da osservazioni satellitari; inoltre viene fornito un Performance Ratio, calcolato sulla base della norma CEI 61724, in modo da avere un riscontro immediato sullo stato di funzionamento dell’impianto.

(11)

Le dashboard degli impianti sono completamente personalizzabili da parte dei clienti secondo le proprie esigenze con la possibilità di accedere al servizio anche da smartphone e tablet.

In figura 2.2 è mostrato un esempio di interfaccia web per il monitoraggio delle prestazioni di un impianto fotovoltaico.

Il sistema di simulazione che REController utilizza, si basa su un modello

Figura 2.2: Esempio di dashboard di un impianto fotovoltaico

circuitale optoelettronico, detto anche dei 5 parametri, che viene descritto nel paragrafo 2.2.1.

Ulteriori informazioni su questo sistema si possono trovare in [5], [6] e [7].

2.2.1 Modello circuitale optoelettronico

Il modello circuitale optoelettronico simula il funzionamento delle celle fotovoltaiche e si basa sulla definizione di cinque parametri (per questo è anche detto modello dei 5 parametri):

• Il: Corrente fotogenerata;

• I0: Corrente inversa di saturazione del diodo;

• α: Tensione termica; • Rs: Resistenza in serie;

(12)

La figura 2.3 riporta la rappresentazione circuitale di questo modello, che riceve in ingresso alcuni parametri come l’irradianza globale su piano inclinato (GTI) e la temperatura del modulo, restituendo in uscita i parametri elettrici

come la tensione e la corrente DC di cella.

Conoscendo la configurazione dell’impianto fotovoltaico è possibile ricavare tutte le grandezze elettriche di sottocampo (quindi sul lato DC) seguendo le leggi alla base dell’elettrotecnica generale.

Per stimare le perdite che si hanno nelle connessioni tra le varie componenti dell’impianto è stato definito su base empirica un coefficiente che corregge la simulazione.

La potenza AC in uscita dall’impianto viene infine stimata con un altro modello che simula il funzionamento degli inverter e richiede in ingresso i seguenti tre parametri:

• Potenza Nominale DC; • Potenza Nominale AC;

• Potenza DC di attivazione dell’inverter.

(13)

2.3. Sistema di monitoraggio con rete neurale 9

2.3 Sistema di monitoraggio con rete neurale

Il nuovo approccio di simulazione per il monitoraggio di impianti fotovol-taici utilizza una rete neurale del tipo feed-forward single layer caratterizzata da tre ingressi, un livello nascosto con 20 neuroni ed un livello di uscita che restituisce un unico segnale.

Gli ingressi scelti per la rete sono:

1. Irradianza globale su piano inclinato (Global Tilted Irradiance, GT I); 2. Temperatura del modulo (Tmod);

3. Ora della misura.

La temperatura del modulo potrebbe essere sostituita dalla temperatura dell’aria, in pratica però è molto più facile trovare impianti con la misura della temperatura del modulo piuttosto che della temperatura ambiente, questo va a giustificare la scelta fatta.

La scelta di inserire l’ora della misura tra gli ingressi della rete neurale serve ad affinare il risultato della simulazione.

L’uscita della rete è la potenza AC prodotta dall’intero impianto fotovoltaico oppure da un singolo inverter a seconda delle indicazioni fornite dal cliente. La funzione di attivazione per i neuroni del livello nascosto è sigmoidale, mentre per il neurone di uscita è puramente lineare.

La figura 2.4 mostra lo schema della rete neurale utilizzata.

Figura 2.4: Rete neurale per il monitoraggio di impianti fotovoltaici Per far sì che questa rete funzioni bene, è necessario allenarla adeguatamente;

(14)

con riferimento ad un impianto di test monitorato con un inverter da 10kW, sono stati costruiti i seguenti insiemi di dati così da poter confrontare i risultati che si ottengono:

1. Un mese di dati: una settimana di febbraio 2013, di aprile 2012, di luglio 2012 e di novembre 2012;

2. Due mesi di dati: quindici giorni di febbraio 2013, di aprile 2012, di luglio 2012 e di novembre 2012;

3. Tre mesi di dati: venti giorni di febbraio 2013, di aprile 2012, di luglio 2012 e di novembre 2012;

4. Quattro mesi di dati: l’intero mese di febbraio 2013, di aprile 2012, di luglio 2012 e di novembre 2012.

La tecnica di allenamento utilizzata si basa sull’algoritmo di ottimizzazione di Broyden–Fletcher–Goldfarb–Shanno introdotto in appendice A.2.

Il tempo di addestramento per le reti va dai circa 5 minuti per il dataset di un mese a 20 minuti per il dataset per quello da quattro mesi, molto dipende dalla complessità della struttura della rete, dalla dimensione del dataset di allenamento e dalla velocità computazionale del calcolatore su cui si intende fare l’addestramento.

I risultati dell’addestramento con i quattro dataset costruiti con i dati storici sono riportati in figura 2.5.

Si può notare come non ci siano grandi differenze tra i diversi casi presen-tati, quindi è possibile usare dataset con meno dati andando a snellire la procedura di addestramento; dunque si è scelto di utilizzare la rete allenata con due mesi di dati.

Il sistema di monitoraggio basato sui dati storici funziona molto bene, anche se si devono fare alcune considerazioni: si ottengono ottimi risultati avendo a disposizione un archivio storico di dati misurati, mentre ciò non è possibile in alcuni casi come per impianti nuovi o per impianti, che pur essendo in esercizio da un tempo sufficiente per poter allenare adeguatamente la rete neurale, non dispongono di dati in database, oppure è necessario avere la certezza che i dati registrati siano riferiti ad un corretto funzionamento dell’impianto e che essi stessi provengano da misurazioni corrette.

(15)

Figura 2.5: Risultati dell’addestramento della rete neurale con 4 diversi dataset

Per poter affrontare questi casi si accede ai dati provenienti da misure satel-litari; perciò, utilizzando il modello optoelettronico, si effettua la simulazione del funzionamento del sistema, questi dati ottenuti andranno ad allenare la rete neurale.I risultati di questa analisi sono riportati in figura 2.6.

Figura 2.6: Esempi di simulazione con rete neurale allenata con dati da satellite

(16)

Dai grafici è possibile notare come anche un rete neurale allenata con dati provenienti da satellite che utilizzati per simulare la potenza AC in uscita da un inverter dell’impianto, funziona bene circa come la rete allenata con dati misurati in-situ; questo è indice anche del fatto che il modello circuitale dell’impianto è corretto e ne simula bene le prestazioni; ciò nonostante la rete con maggiori potenzialità rimane quella allenata con i dati storici. Le reti neurali , rispetto al modello optoelettronico, hanno il vantaggio di simulare molto velocemente le prestazioni dell’impianto (per simulare la produzione di un giorno impiegano meno di due secondi), inoltre è possibile ottenere un continuo miglioramento delle simulazioni aggiornando periodica-mente i dataset di allenamento utilizzando i dati storici relativi al corretto funzionamento dell’impianto memorizzati nei database.

In questo modo nelle simulazioni per l’impianto si riesce a tenere conto delle perdite di prestazioni per effetto dell’invecchiamento (aging) dei moduli, cosa impossibile per il modello circuitale utilizzato nella prima versione di REController ; inoltre la simulazione con le reti neurali comprende una buona stima delle perdite che si hanno sull’impianto in quanto sono incluse nei target in addestramento, producendo un risultato più corretto rispetto al modello circuitale dove viene utilizzato un coefficiente di perdita valutato empiricamente. In figura 2.7 è riportato un confronto tra i risultati ottenuti con le reti neurali allenate nei due modi descritti precedentemente.

Una prima analisi dei grafici di confronto mostra che le reti neurali approssi-mano meglio il funzionamento dell’impianto, in realtà si deve considerare che le simulazioni con le reti neurali utilizzano come ingressi i dati ambientali misurati sul campo, mentre il modello circuitale continua ad effettuare le simulazioni utilizzando dati misurati da satellite, quindi per fare un confron-to più corretconfron-to è necessario vedere come la rete neurale si comporta se in ingresso vengono poste le misure satellitari.

In figura 2.8 viene mostrato un confronto del funzionamento tra reti neurali e modello circuitale dei 5 parametri.

Questa analisi è riportata in figura 2.9, dove è possibile osservare che le simulazioni sono tutto sommato molto simili.

(17)

Figura 2.7: Confronto dei risultati tra reti neurali con allenamento diverso

(18)

Figura 2.9: Confronto dei risultati tra modello circuitale e reti neurali usando solo dati satellitari

Alla luce di queste analisi è possibile determinare che le reti neurali possono essere utilizzate per il monitoraggio di impianti fotovoltaici, in quanto riescono a simulare bene il funzionamento di impianti fotovoltaici e non necessariamente hanno bisogno di una grande quantità di dati storici per lavorare correttamente, infatti usando dati provenienti da satellite si riesce ad ottenere un sistema ragionevolmente preciso.

Inoltre è possibile fare un monitoraggio degli impianti senza avere misure sul campo ma affidando il sistema ai soli dati satellitari, i risultati che si ottengono sono però di qualità inferiore rispetto a quando si accede alle misure in-situ; dunque è sempre consigliato applicare il sistema di monitoraggio ad impianti che hanno a disposizione sensori per le misure dei dati ambientali. Nelle figure 2.10, 2.11 e 2.12 vengono ricapitolati i sistemi di monitoraggio che usano le reti neurali.

(19)

Figura 2.10: Sistema con rete neurale allenata dai dati storici

(20)

Figura 2.12: Sistema con rete neurale allenata dai dati satellitari e che riceve in ingresso i dati satellitari

(21)

2.4. Analisi degli errori dei modelli 17

2.4 Analisi degli errori dei modelli

Per fare un ulteriore confronto tra i metodi di simulazione con rete neurale addestrata e modello circuitale, è stato fatto uno studio di accuratezza che analizza l’errore tra i risultati delle simulazioni e quelli misurati.

La rete neurale è del tipo descritta in 2.3, è stata allenata con il dataset di dati storici da 4 mesi e riceve in ingresso le misure dall’impianto; il modello circuitale è stato descritto in 2.2.1 e riceve in ingresso i dati provenienti da osservazioni satellitari.

L’uscita per entrambe le simulazioni è rappresentata dalla potenza AC prodotta dall’impianto.

I risultati ottenuti con le simulazioni sono stati confrontati con la potenza AC misurata sull’impianto, in seguito è stato calcolato l’errore relativo tra queste due grandezze e la sua deviazione standard; l’idea di base è stata quella di analizzare il numero di segnalazioni di errore al variare della soglia di accettabilità.

Di seguito sono riportati i risultati di questa analisi per le due tecniche di simulazione, applicate su un impianto di test monitorato da 20kW, i dati sono relativi a tutto l’anno 2012, dai registri di REController non risulta che questo impianto abbia avuto anomalie persistenti a parte alcuni errori di trasferimento dati.

Le figure 2.13(a) e 2.13(b) mostrano l’andamento dell’errore ripulito degli elementi Not a Number (N aN ) e dei punti con bassa produzione dove l’errore tende a valori molto alti.

Si può notare che la simulazione che elabora i dati misurati sul campo ha errori più contenuti rispetto a quello che utilizza dati di derivazione satellitare; questo viene confermato anche dai grafici delle figure 2.14 e 2.15, dove è riportato l’andamento del numero delle segnalazioni di errore al variare della soglia di accettabilità impostata, in cui si osserva che, a parità di soglia, il numero di segnalazioni aumenta se vengono utilizzati in ingresso alla simulazione i dati da satellite.

Questo tipo di analisi si dimostra utile per il cliente in modo da scegliere la soglia di errore adeguata alle proprie esigenze a seconda del metodo di simulazione utilizzato; per l’impianto usato come esempio in questa sezione,

(22)

gli errori da segnalare devono essere limitati ma, inevitabilmente, se viene scelta una soglia di accettabilità molto bassa gli allarmi saranno comunque numerosi, viceversa se la soglia è troppo alta potrebbero essere trascurati degli errori che comportano notevoli perdite di produzione.

Il punto di ottimo per la scelta della soglia può essere considerato sul gomito della curva, dove la tangente arriva ad una pendenza di -45◦, per l’esempio considerato questa condizione si ottiene per una soglia di errore intorno al 10%, utilizzando la rete neurale con i dati misurati, mentre nell’altro caso si consiglia di impostare una soglia intorno 25%.

(a) Simulazione con modello circuitale: Andamento del segnale errore per l’impianto di test riferito a tutto l’anno 2012

(b) Simulazione con rete neurale: Andamento del segnale errore per l’impianto di test riferito a tutto l’anno 2012

(23)

(a) Vista complessiva del grafico

(b) Ingrandimento sulla zona più significativa del grafico

Figura 2.14: Simulazione con modello circuitale: Numero delle segnalazioni di guasto in funzione della soglia di errore impostata

(a) Vista complessiva del grafico

(b) Ingrandimento sulla zona più significativa del grafico

Figura 2.15: Simulazione con rete neurale: Numero delle segnalazioni di guasto in funzione della soglia di errore impostata

(24)

2.5. Funzionalità del nuovo sistema di monitoraggio e diagnostica 20

2.5 Funzionalità del nuovo sistema di

moni-toraggio e diagnostica

Tra i sistemi di monitoraggio studiati, il migliore risulta quello che utiliz-za la rete neurale che utilizutiliz-za dati misurati in-situ, sia per la simulazione che per la costruzione del dataset di allenamento.

Questa soluzione porta ad un monitoraggio più accurato rispetto a quanto veniva realizzato in precedenza; in più è possibile simulare le prestazioni dell’impianto considerando l’aging attraverso una programmazione periodica di nuovi allenamenti della rete.

Al sistema di monitoraggio si affianca un sistema automatico di diagnostica, il quale osserva e verifica le prestazioni dell’impianto con brevi orizzonti temporali (RTDS ) e rileva eventuali ombreggiamenti che possono insistere sia sull’impianto che sul sensore di irradianza (SDS e SDSS ).

Il riconoscimento dei guasti nel RTDS è stato affidato a reti neurali allenate per questo scopo, qualunque sia il tipo di simulazione usata.

Un breve richiamo teorico su cosa sono le reti neurali e come lavorano è riportato in appendice A.1.

La principale tecnica su cui si basa il SDS riguarda, come nel caso del monitoraggio, il confronto tra le grandezze misurate con quelle simulate; sono stati sviluppati diversi algoritmi per questo sistema che usano il modello optoelettronico o le reti neurali.

Una differenza tra RTDS e SDS è l’orizzonte temporale che viene preso in considerazione, infatti l’SDS non lavora in real-time bensì ha bisogno di almeno due giorni di dati, in modo da accertarsi che il calo di prestazione di un impianto sia effettivamente dovuto ad un’ombra.

Oltre a questa versione di SDS, ne è stata sviluppata un’altra che utilizza una rete neurale per riconoscere il profilo di produzione dell’impianto in condizione di clear-sky; se il profilo di potenza prodotta non segue la clas-sica campana potrebbe essere sintomo di un malfunzionamento, quindi di un’ombra.

Entrambi i sistemi per la diagnostica delle ombre vanno a verificare se il malfunzionamento si ripete ogni giorno per la stessa posizione solare, accer-tata questa condizione è molto probabile la presenza di ombre sull’impianto.

(25)

2.5. Funzionalità del nuovo sistema di monitoraggio e diagnostica 21

Dall’SDS è stato derivato il sistema per la diagnostica del sensore di irra-dianza (SDSS ) che confronta l’irrairra-dianza misurata con quella calcolata da osservazioni satellitari; quando l’errore supera le soglie di durata e intensità viene riconosciuto un malfunzionamento.

Le diverse tecniche prese in considerazione per la realizzazione del RTDS e del SDS sono state messe a confronto per scegliere la soluzione migliore da adottare a livello aziendale.

Lo schema di figura 2.16 mette a confronto le funzionalità della nuova versione di REController rispetto alla versione iniziale.

(26)

3 Analisi e classificazione delle

anomalie

In questo capitolo sono descritte le tipologie di guasto che il nuovo sistema REConrtoller deve essere in grado di riconoscere, la caratterizzazione dei guasti è stata assistita da alcune prove sperimentali su impianti di test e dall’utilizzo delle tecniche statistiche della Principal Components Analysis (PCA) e di clustering.

3.1 Introduzione

Al fine di studiare come i guasti si manifestano su un impianto e quali variabili elettriche ne sono interessate, sono stati messi a disposizione dall’a-zienda due impianti di test (sezione 3.2) su cui è stato possibile effettuare delle prove sperimentali, oltre che i dati storici e simulati di alcuni impianti monitorati

Le anomalie che sono state prese in considerazione per la diagnostica real-time (RTDS ) sono:

• Sporcizia di Moduli o Stringhe; • Copertura su Moduli o Stringhe • Problema termico;

• MPPT dell’inverter guasto.

Anche l’SDS riesce a capire più tipologie di guasti oltre all’ombreggiamento, anche se lo fa con un ritardo rispetto all’RTDS ; le anomalie che riesce ad identificare sono:

• Ombra sull’impianto;

(27)

3.2. Impianti di test 23

• Copertura su moduli o stringhe; • Problema termico.

A tutto ciò si aggiunge la diagnostica delle ombre sul sensore di irradianza e sul suo corretto funzionamento.

3.2 Impianti di test

Per le prove sperimentali sono stati messi a disposizione due impianti (figura 3.1) di test le cui caratteristiche sono indicate in tabella 3.1

Tabella 3.1: Caratteristiche Impianti di Test

Nome Impianto Impianto Test 01 Impianto Test 02 Potenza Nominale [kW] 0.5 9.7

Numero di Inverter 1 1

Numero di Sottocampi 1 (da 3 pannelli) 2 (da 25 e 29 pannelli)

(a) Impianto Test 01 (b) Impianto Test 02

Figura 3.1: Immagini degli impianti di test

Questi impianti sono stati utilizzati sia per studiare il comportamen-to delle variabili elettriche in caso di guascomportamen-to sia per verificare il corretcomportamen-to funzionamento dei sistemi di diagnostica.

(28)

3.3. Descrizione anomalie 24

Figura 3.2: Deposito di sporcizia sull’impianto test 01

3.3 Descrizione anomalie

3.3.1 Copertura moduli

I pannelli fotovoltaici talvolta possono essere soggetti a coperture da parte di elementi esterni, ad esempio neve, sporcizia oppure altri ostacoli che potrebbero depositarsi sopra di essi.

Per studiare il comportamento degli impianti in queste condizioni sono state effettuate delle prove sperimentali su Impianto Test 01 in cui è stato depositato del materiale polveroso su di un pannello (figura 3.2); inoltre, sia su Impianto Test 01 che su Impianto Test 02 sono state effettuate delle prove andando ad oscurare totalmente alcuni moduli dell’impianto (figura 3.2). Gli effetti dei test di copertura si possono leggere nei grafici riportati di seguito nelle figure 3.3 e 3.4.

Dalla figura 3.3 è possibile notare come la performance dell’impianto coperto sia ridotta per tutto l’arco della giornata; il deposito di materiale su uno solo dei tre pannelli che costituiscono l’impianto ha comunque comportato una perdita di energia prodotta di circa un terzo rispetto a quella che si avrebbe in condizioni di normale funzionamento.

La figura 3.4 indica l’andamento delle variabili in corrente continua, in questo caso la corrente subisce una netta riduzione, tale che, nell’ora di punta, risulta circa la metà rispetto a quella simulata. Questo indica che il pannello non riesce a captare tutta l’irradianza solare disponibile.

(29)

Figura 3.3: Widget su REController che rappresenta il grafico della Potenza AC nell’Impianto Test 01 il giorno del test con materiale polveroso (03-09-2013)

Figura 3.4: Grafico della Tensione e della Corrente DC nell’Impianto Test 01 il giorno del test con materiale polveroso (03-09-2013)

(30)

Figura 3.5: Copertura con pannelli oscuranti sull’impianto test 01

La tensione DC ha un comportamento opposto rispetto alla corrente infatti, se si escludono le prime fasi della giornata dove si ha un marcato errore della simulazione, è possibile notare che la tensione misurata è costan-temente maggiore di quella simulata di circa il 10%, questo effetto è dovuto al lavoro del MPPT dell’inverter che cerca di trovare il punto di lavoro per massimizzare la potenza prodotta.

Da queste osservazioni è possibile capire come la tensione e la corrente DC siano sensibili alla copertura di moduli o stringhe a cui fanno riferimen-to, perciò queste grandezze possono essere prese come riferimento per il riconoscimento del guasto.

Per la copertura dell’impianto con dei pannelli oscurano completamente parte di un modulo (figura 3.5) i risultati sono riportati nei grafici in figura 3.6; è possibile osservare come sia la corrente che la tensione siano inferiori rispetto alle simulazioni, in particolare è la riduzione della tensione che caratterizza questo guasto rispetto alla copertura con materiale polveroso. Tale prova è stata effettuata anche sull’impianto test 02, sono stati coperti 5 moduli del secondo sottocampo dalle 9:00 alle 12:00 (ora locale); gli effetti che si sono ottenuti sulla potenza in uscita dall’inverter sono riportati in figura 3.7.

(31)

Figura 3.6: Andamento della tensione e corrente DC per la prova di copertura con pannelli oscuranti

Figura 3.7: Potenza AC per l’impianto test 02 durante la prova di copertura moduli

(32)

3.3.2 Problemi termici

Quando alcuni componenti di un impianto fotovoltaico si trovano a dover lavorare in condizioni critiche di temperatura, è possibile che si verifichi un peggioramento delle prestazioni, talvolta questo problema tende ad aggravarsi se gli inverter dell’impianto non sono stati ben dimensionati oppure se non sono stati installati in modo da evitare il surriscaldamento (per esempio esposti direttamente al sole, oppure in prossimità a fonti di calore, quali possono essere anche altri inverter).

Diversi impianti monitorati dall’azienda presentano questo problema, la figura 3.8 ne riporta un esempio dove l’irradianza misurata indica una giornata clear-sky, mentre la potenza in uscita dagli inverter non ha lo stesso andamento, in particolare è possibile notare come venga tagliata la sommità della campana dove si manifesta la maggiore irradianza ed anche le maggiori temperature per i moduli e per gli altri componenti dell’impianto.

Per questo tipo di malfunzionamento non è stato possibile effettuare prove sul campo però, grazie al fatto che è un guasto abbastanza ricorrente in alcuni impianti monitorati, è comunque possibile studiare il comportamento delle variabili elettriche, i grafici di figura 3.9 indicano l’andamento di tensione e corrente DC per un inverter dello stesso impianto e per lo stesso giorno a cui si riferiscono i grafici di figura 3.8. Risulta evidente come il problema vada a colpire la corrente DC che, invece di seguire il classico andamento di una giornata clear-sky, nelle ore di massima produzione tende a diminuire, fino a risultare quasi dimezzata rispetto a quanto viene simulato dal modello circuitale; la tensione invece aumenta fino a circa il 15% rispetto alle normali condizioni di funzionamento.

In definitiva possiamo considerare che i problemi termici possono essere descritti con questi parametri:

• Temperatura; • Corrente DC; • Tensione DC.

(33)

(a) Widget su REController per la Potenza AC di un impianto con problemi termici

(b) Widget su REController per l’irradianza e la temperatura di modulo di un impianto con problemi termici

(34)

Figura 3.9: Grafico della Tensione e della Corrente DC per un impianto con problemi termici

Tra questi parametri non c’è l’irradianza perché in giornate in cui questa è elevata ma la temperatura è bassa (come in alcune giornate primaverili serene ma fresche) il problema termico non si manifesta, la figura 3.10 riporta un confronto tra giornata clear-sky estiva e primaverile.

Figura 3.10: Confronto di produzione tra un giorno estivo (20/07/2012) ed uno primaverile (10/04/2013)

(35)

La temperatura a cui si dovrebbe fare riferimento è quella dell’aria però molti impianti non hanno disponibile tale misurazione, quindi come indicatore del calore di una giornata si può ricorrere alla misura della temperatura del modulo che dipende dalla temperature ambiente ed è spesso disponibile.

3.3.3 Guasto al MPPT di inverter

In un inverter il MPPT (Maximum Power Point Tracker) è alla base della funzione di controllo software e hardware che consentono di estrarre dai pannelli fotovoltaici la massima potenza disponibile in qualsiasi condizione meteorologica; perciò, in base alla temperatura di una cella ed all’irraggia-mento che ci incide, il MPPT individua il punto di lavoro sulla caratteristica V-I del generatore fotovoltaico in modo che risulti massimo il trasferimento di potenza verso la rete.

Se il MPPT non funziona bene il livello di tensione sul lato DC che questo produce risulterebbe inferiore a quanto ci si aspetterebbe, mentre la corrente DC, che invece dipende dal funzionamento dei moduli, continuerebbe ad avere valori normali; ne consegue che anche la potenza in uscita risulta ridotta.

Questo problema si manifesta principalmente su inverter difettosi in condi-zioni di forte variabilità meteorologica oppure la mattina quando inizia la produzione fotovoltaica.

Anche per questo malfunzionamento non è stato possibile effettuare prove sperimentali.

3.3.4 Ombra sull’impianto

La presenza di ombre sui moduli è una delle più comuni cause di perdita di performance per gli impianti fotovoltaici, si verifica principalmente nelle prime ore di luce alla mattina oppure al tramonto; infatti per angoli di zenit solare che si avvicinano ai 90◦, le ombre degli oggetti tendono ad allungarsi aumentando la probabilità di coprire dei moduli.

Le ombre possono essere generate dalla vegetazione vicina ai moduli, da edifici o da parti sporgenti di questi, talvolta può verificarsi che una fila di moduli faccia ombra ai moduli che ha dietro.

(36)

Per studiare il comportamento degli impianti colpiti da ombreggiamenti sono state effettuate delle prove sull’Impianto Test 01 utilizzando un generatore di ombre (figura 3.11).

I risultati della prova sono riportati nei grafici di figura 3.12.

Figura 3.11: Prova con generatore di ombre su Impianto Test 01

Figura 3.12: Confronto tra le grandezze simulate e misurate in caso di impianto con ombra

Il generatore di ombre è stato mantenuto sull’impianto per qualche giorno e, come è possibile notare dai grafici, l’ombra colpisce l’impianto per tutta la mattina per poi liberarlo nel pomeriggio.

(37)

del modulo con sostanze polverose, infatti si nota nuovamente un calo piuttosto netto della corrente DC con un incremento della tensione DC rispetto a quanto si avrebbe in condizioni di normale funzionamento. Da queste osservazioni si può affermare che il parametro che risente di più della presenza di ombre è la corrente lato DC, quindi la diagnostica di questo problema può essere effettuata osservando questa grandezza piuttosto che la potenza, in quanto l’errore su di essa viene leggermente compensato dall’effetto dell’MPPT che tende ad aumentare la tensione DC.

3.3.5 Ombra sul sensore di irradianza

In alcuni casi è il sensore di irradianza ad essere coperto, questo non influisce sul sulla produzione globale dell’impianto, però può comportare errori sulle simulazioni, qualora queste si basassero su misurazioni sul campo, oltre al fatto che il proprietario dell’impianto potrebbe andare a leggere dei valori non corretti.

L’irradianza misurata dal sensore ombreggiato di un impianto monitorato dall’azienda è riportata in figura 3.13.

Figura 3.13: Confronto tra l’irradianza simulata e misurata in caso di sensore con ombra

Si nota chiaramente come l’irradianza misurata la mattina dal sensore è notevolmente più bassa rispetto a quella vista dal satellite, questo è sintomo che un ostacolo impedisce al sensore di captare l’effettiva irradianza nel

(38)

3.4. Analisi statistica e clustering 34

luogo dell’impianto.

Si può dire con certezza che è un ombre per via del fatto che l’irradianza misurata nel pomeriggio è allineata con quella vista dal satellite.

La diagnostica per questo malfunzionamento si può basare semplicemente analizzando queste grandezze.

I risultati ottenuti dai test effettuati trovano un riscontro positivo anche in letteratura, per approfondire l’argomento si consiglia di consultare [8] [9] [10] [11].

3.4 Analisi statistica e clustering

3.4.1 Clustering

Per comprendere più a fondo le caratteristiche dei punti di lavoro degli impianti fotovoltaici, è stata effettuata un’analisi statistica in cui, prendendo una grande quantità di dati relativi alla produzione per un impianto di test tra quelli monitorati, è stato studiato, tramite delle tecniche di statistica avanzata, se fosse possibile raggruppare i punti di funzionamento i gruppi distinti, ovvero fare un clustering, e capire se è possibile fare una distinzione tra diversi stati di funzionamento.

Nel lavoro svolto è stato usato uno dei più popolari algoritmi di clustering chiamato Spectral Clustering, è molto semplice da implementare, può essere elaborato da software standard che operano con l’algebra lineare, inoltre molto spesso ottiene risultati migliori di altre tecniche di clustering come l’algoritmo k-means.

Per lo spectral clustering, l’insieme dei valori delle grandezze misurate per ogni campione costituiscono un vettore; successivamente viene calcolata la distanza tra tutti i vettori, generalmente viene usata la distanza Euclidea. In seguito viene costruito il grafo di somiglianza (Similarity Graph) per mo-dellare le relazioni di vicinanza tra i vari dati; i principali grafi di somiglianza sono:

• -neighbourhood graph: vengono considerati appartenenti allo stesso gruppo la coppia di punti che sono ad una distanza minore rispetto ad

(39)

un certo fissato.

• k-nearest graph: un punto xk è considerato connesso a xi se xk è tra i k

punti più vicini a xi.

• Fully-connected graph: questo grafo connette semplicemente tutti i punti associando un coefficiente di somiglianza tra di essi; è necessario definire una finzione di somiglianza, un esempio è la funzione di somiglianza Gaussiana: s(xi, xj) = e − ||x_i− x_j||2 2σ2 (3.1) dove ||xi− xj||2 è la distanza tra i punti xi e xk calcolata come norma

euclidea, σ è la deviazione standard.

Il grafo -neighbourhood ed il grafo k-neares neighbourhood sono rappresen-tati da matrici sparse con 0 e 1, invece il grafo fully-connected è rappresentato da una matrice piena.

Si definisce una matrice diagonale (D) i cui elementi sulla diagonale princi-pale (i, i) sono la somma dell’i − esima riga del grafo di somiglianza (W ); dopo questo passo viene costruita la matrice Laplaciana (L); generalmente è possibile scegliere fra tre possibili matrici Laplaciane:

• Unnormalized graph Laplacian:

L = D − W (3.2)

• Symmetric normalized graph Laplacian:

Lsym= D−

1 2LD−

1

2 (3.3)

• Random Walk normalized graph Laplacian:

Lrw = D−1L (3.4)

Lo spectral clustering fa uso degli autovettori del Laplaciano corrispondenti ai k autovalori più piccoli.

(40)

spectral clustering consiste nel trattare le n righe di U (con n pari al numero dei campioni di misura) come un insieme di punti in <n_{, clusterizzandoli in}

c cluster con l’algoritmo k-means.

Il finale raggruppamento dei punti è quindi direttamente collegato ai corri-spondenti dati di origine ( [12] [13] [14] [15]).

La figura 3.14 mostra un esempio di applicazione dello spectral clustering per un impianto monitorato su quattro giorni di produzione; è stato usato il Laplaciano non normalizzato e un grafo fully-connected.

Figura 3.14: Applicazione dello spectral clustering su un impianto monitorato Il grafico in alto della figura 3.14 rappresenta la potenza DC prodotta dal-l’impianto, mentre il grafico in basso indica il cluster a cui appartengono i punti di lavoro, le zone blu indicano che l’impianto non sta producendo, quelle celesti che la produzione è bassa, le zone in giallo si riferiscono a periodi di media produzione, infine le zone di colore rosso indicano zone con elevata produzione.

Con questa tecnica è possibile dunque monitorare le prestazioni dell’impianto.

Una nuova analisi di clustering che può essere sviluppata sui dati prove-nienti da un impianto fotovoltaico è quella di prendere le misure di irradianza globale, temperatura del modulo e le grandezze elettriche DC di ogni sotto-campo dell’impianto andando a costituire un vettore per ogni campione di misure da analizzare; successivamente clusterizzano questi vettori e si

(41)

calco-3.4. Analisi statistica e clustering 37

lano i centroidi di ogni gruppo e la potenza AC media che viene misurata in ogni campione appartenete ad un certo cluster.

Finita questa fase iniziale di definizione dei cluster, si passa ad analizzare il vettore delle misure del punto di lavoro andando a vedere a quale centroide è più vicino, ciò equivale a trovare il cluster a cui il punto appartiene, suc-cessivamente si verifica che anche la potenza misurata sia più vicina a quella del cluster a cui dovrebbe appartenere; se ciò non accade è possibile che ci sia un malfunzionamento dell’inverter.

Le tecniche di clustering non sono state ulteriormente sviluppate in quanto l’azienda ha preferito lavorare con altri sistemi.

3.4.2 Principal Components Analysis (PCA)

Per avere una visualizzazione grafica dello stato di funzionamento di un impianto, che tiene in considerazione di tutte le variabili misurate, può essere utile un analisi PCA (Principal Components Analysis), la quale può permettere di visualizzare il punto di lavoro in un grafico a due dimensioni. La PCA è un metodo statistico che consente di estrarre informazioni essen-ziali da un processo in cui sono coinvolte molte variabili e dove alcune di esse sono ridondanti.

Perciò da una matrice multidimensionale (X), si passa ad una matrice di dimensioni minori attraverso una particolare trasformazione.

La procedura che è necessario seguire per questa analisi inizia con la norma-lizzazione delle variabili di origine in modo da evitare problemi legati alle diverse unità di misura ed ai diversi intervalli di variabilità.

Il metodo di normalizzazione adottato è:

si = s Pm k=1(xi,k − ¯xi,m) m − 1 (3.5) yi = xi− ¯xi,m si (3.6) dove:

• si è la deviazione standard della variabile i-esima;

(42)

• ¯xi,m valore medio delle misure della i-esima variabile;

• yi è la i-esima variabile normalizzata;

• m è il numero delle misure.

A questo punto è possibile proseguire con la decomposizione ai valori singolari (SVD) della matrice rettangolare X normalizzata e con dimensioni v × m,

dove v rappresenta il numero delle variabili misurate., dunque:

X = U · Σ · V (3.7)

dove:

• X è la matrice dati di dimensione v × m; • U è una matrice unitaria di dimensione v × v; • Σ è una matrice diagonale di dimensione v × m; • V è una matrice unitaria di dimensione m × m.

Gli elementi σi sulla diagonale principale della matrice Σ sono noti come

i valori singolari di X, è convenzione comune ordinare i valori singolari in ordine decrescente.

Ogni colonna della matrice U corrisponde ad un autovalore relativo al corrispondente elemento σi.

Essendo U−1 = U> e Y = Σ · V , è possibile affermare che:

U>· X = Y (3.8) Per ottenere una rappresentazione a due dimensioni del funzionamento del sistema, è necessario troncare la matrice U alle prime due colonne; questa azione è valida in quanto queste colonne sono relative ai valori singolari più importanti del sistema.

Quindi è stata costruita una matrice di dimensioni m × 2, questi m punti con due componenti possono essere rappresentati su un grafico 2D.

La PCA è stata applica sui dati di quattro giorni per un impianto monitorato dalle seguenti caratteristiche:

(43)

Potenza Nominale (kW) 20 Numero di Inverter 2

Numero di Sottocampi 4 (2 per inverter)

Le variabili misurate sono: la potenza AC prodotta complessivamente dal-l’impianto, tensione e corrente lato AC di ogni inverter, tensione e corrente DC di ogni sottocampo, irradianza e temperatura dei moduli; quindi in totale sono 15 variabili (v = 15).

I campioni di misura sono presi ogni 15 minuti per 4 giorni, per un totale di 384 campioni (m = 384); i risultati di questa analisi sono riportati in figura 3.15. La figura mostra la figura i punti di funzionamento notturni e i punti con mancato trasferimento dei dati occupano la stessa regione del grafico invece, durante la mattina, i punti di lavoro seguono una traiettoria simile ad una V rovesciata; nelle ore centrali della giornata, dove la produzione è massima, i punti raggiungono la regione in basso a sinistra del grafico, per poi ripercorrere nel pomeriggio, la traiettoria seguita al mattino.

Se durante il giorno ci fossero dei malfunzionamenti, il punto di lavoro asso-ciato assumerebbe nel grafico una posizione anomala che come nell’esempio di figura 3.15, può essere una deviazione dalla traiettoria principale dei punti (come avviene nei casi dei notch) oppure, in condizioni di nuvolosità, il punto di lavoro occuperebbe una zona caratteristica di una produzione minore rispetto a quanto ci si aspetterebbe dall’angolo di incidenza solare misurato.

La PCA risulta utilizzabile per il monitoraggio dell’impianto in quanto riesce a fornire un’interpretazione grafica di come l’impianto si sta comportando, infatti andando ad analizzare la posizione del punto di lavoro si riesce a capire se siamo in condizioni di funzionamento normale oppure se sta insistendo sull’impianto una anomalia.

Lo stesso risultato può essere associato allo spectral clustering, in quanto in base al cluster in cui si trova un punto di funzionamento si capisce se c’è un malfunzionamento.

La PCA ed il clustering non riescono a distinguere bene il tipo di guasto che colpisce il sistema, per questo sono necessarie altre tecniche che studiano in modo più mirato le variabili coinvolte.

(44)

(45)

4 Realizzazione del sistema di

diagnostica

4.1 Real-Time Diagnostics System (RTDS)

Il sistema di diagnostica in tempo reale (RTDS ) delle prestazioni di impianti fotovoltaici si basa sull’analisi dei dati provenienti dal sistema di monitoraggio, quindi sull’errore tra i dati misurati e quelli simulati.

Se l’errore supera un limite di accettabilità il RTDS va ad indagare su quali possono essere le cause che lo hanno causato.

Questo sistema è capace di identificare i guasti descritti nel paragrafo 3.3 e di conseguenza inviare un messaggio di allarme ai clienti.

4.1.1 Principio di funzionamento

Il sistema RTDS richiede una fase di inizializzazione in cui devono essere indicate alcune informazioni identificative dell’impianto e delle variabili da analizzare, in modo da poter accedere correttamente ai dati immagazzinati nei database, successivamente viene avviato il programma di monitoraggio scelto per l’impianto e carica la rete neurale associata.

Dal monitoraggio si ottiene l’errore relativo (espresso come percentuale), che viene calcolato tra la potenza AC in uscita da un inverter dell’impianto simulata e quella misurata, come indicato nella equazione 4.1.

errrel = 100 · _P ACSIM − Pmeas Pmeas (4.1)

Dove PACSIM è la potenza AC simulata nel sistema di monitoraggio, Pmeas

è la potenza AC misurata in uscita dall’inverter.

(46)

4.1. Real-Time Diagnostics System (RTDS) 42

A questo punto è necessario definire la soglia di accettabilità dell’errore; tale parametro viene definito secondo quanto descritto nel paragrafo 2.4 anche se la decisione definitiva spetta al clienete; inoltre è stato scelto di aumentare il margine di accettabilità dell’errore nelle ore di bassa produzione, infatti se le potenze in gioco sono molto basse diventa più probabile che si manifestino dei falsi allarmi; infine non si procede con la diagnostica quando l’impianto non sta producendo, come durante la notte.

Se l’errore calcolato riporta un valore Not a Number (NaN) significa che la potenza AC misurata non assume un valore numerico, quindi si è verificato un errore di trasferimento dei dati; il sistema è dunque capace di rilevare questa situazione indicando inoltre l’orario di quando ciò si è verificato; spesso questo avviene nelle ore appena precedenti o successive a punti notturni (No Sunlight Point), per evitare che questo allarme venga segnalato è possibile impostare un limite temporale per cui vogliamo fare la diagnostica, come default si è scelto di eseguire la diagnostica dell’impianto per il riconoscimento dei guasti nel periodo compreso tra le 6:00 alle 20:00 (Local-Time).

Nei punti dove l’impianto sta producendo, se l’errore è superiore alla soglia (sia per la produzione regolare che per zone di bassa produzione) il sistema esegue dei file al fine di riconoscere il tipo di malfunzionamento che potrebbe insistere sull’impianto.

In questi file sono presenti delle reti neurali del tipo feed-forward simile quella descritta in appendice A.1 e rappresentata in figura 2.4, quello che cambia è il tipo degli ingressi e delle uscite.

In definitiva è stata creata una rete neurale per ogni guasto che vogliamo identificare e per ogni sottocampo dell’impianto, questo aumenta il numero di file da creare ma permette di identificare con maggiore precisione la zona dell’impianto colpita dal guasto; le reti hanno tutte un livello nascosto costituito da 20 neuroni, l’uscita è invece un parametro che indica l’affidabilità del risultato della diagnostica sul guasto per cui è stata allenata, più che questo indice si avvicina a 1 maggiore è la probabilità che il guasto si sia verificato.

Le reti sono state allenate con dei guasti simulati, di seguito sono riassunte le principali caratteristiche dei guasti usate per allenare le reti neurali, tutto ciò in accordo con quanto riportato nel paragrafo 3.3:

(47)

• Copertura su moduli o stringhe: la corrente DC è molto inferiore a quella di normale funzionamento ed anche la tensione DC diminuisce, gli ingressi di conseguenza sono corrente DC e tensione DC;

• Moduli sporchi o ombreggiati: la corrente DC è bassa mentre la tensione DC aumenta leggermente, gli ingressi di conseguenza sono corrente DC e tensione DC;

• MPPT di inverter guasto: la corrente DC ha valori normali, mentre la tensione DC è molto più bassa di quanto ci si aspetta, gli ingressi di conseguenza sono corrente DC e tensione DC;

• Problemi termici: la temperatura del modulo è superiore ad una certa soglia, la corrente DC è minore di quella che si avrebbe in funzionamento normale, mentre la tensione DC tende ad aumentare di circa il 10%, gli ingressi di conseguenza sono la temperatura dei moduli, corrente DC e tensione DC.

In base a quanto si avvicina a 1 l’uscita della rete, il programma di riconoscimento del guasto può dare come risultato:

• Anomalia riconosciuta; • Probabile anomalia; • Nessuna anomalia.

Questa risposta si traduce nell’inserimento di un 1 in un vettore di guasto quando c’è il riconoscimento del malfunzionamento, oppure uno 0 quando non viene riconosciuto.

Esiste un vettore per ogni tipo di anomalia ed ha lo scopo di contare quante volte consecutivamente avviene il guasto; perciò se un allarme si verifica per un solo campione di misura, non viene inviata nessuna notifica al gestore dell’impianto (la segnalazione potrebbe essere dovuta ad un problema tem-poraneo oppure ad un errore del sistema di diagnostica), se il vettore indica invece molte segnalazioni è più probabile che ci sia una stabile condizione di malfunzionamento dell’impianto, ed è dunque necessario inviare un allarme al cliente; questa operazione viene fatta tramite e-mail attraverso un codice

(48)

Python su cui è necessario impostare l’indirizzo a cui la segnalazione deve essere inviata, l’indirizzo e l’identificativo del server di chi la invia ed infine il messaggio di allarme dove devono essere contenute tutte le informazioni necessarie a far capire al cliente sia il tipo di guasto sia la parte dell’impianto che ne è colpita.

La figura 4.1 schematizza il funzionamento di questo sistema.

Alcuni esempi di come lavora questo sistema sono riportati nel capitolo successivo.

4.1.2 Esempi di applicazione del sistema

Il primo esempio di applicazione del RTDS è stato effettuato il 28/10/2013 su un impianto monitorato, caratterizzato da un inverter da 10kW e due sottocampi, nella sua storia questo impianto non ha avuto gravi anomalie. Il sistema di diagnostica utilizza per il monitoraggio una rete neurale allenata con dati storici; i risultati ottenuti sono riportati in figura 4.2.

Si può notare come il RTDS analizza progressivamente le prestazioni del-l’impianto verificando che l’errore tra simulazione e misurazioni si mantenga sotto il limite di ammissibilità; nell’esempio che è stato riportato non ci sono stati problemi per l’impianto, infatti l’errore, nei punti di massima produzione, è quasi sempre sotto la soglia del 10%, dunque non viene attivata la procedura per il riconoscimento dei guasti.

La risposta del RTDS a fine giornata (ore 16:00 UTC corrispondenti alle ore 17:00 in ora locale) è riportata in figura 4.3, in cui si presenta una parte iniziale dove si elencano alcune caratteristiche dell’impianto (parzialmente criptate per motivi di privacy), successivamente si hanno i risultati del RTDS per ogni 15 minuti, si nota che alle ore 15:45 UTC l’errore supera la soglia stabilita, per tale punto non viene riconosciuto nessun guasto quindi il risultato finale sarà comunque di funzionamento normale; comunque anche se fosse stato diagnosticato uno dei malfunzionamenti presi in considerazione, non sarebbe stato inviato nessun allarme al cliente perchè si tratta di un errore isolato che poi rientra nei limiti per le successive misure.

Infine è interessante notare che per simulare l’intera giornata, il sistema ha impiegato 1 secondo.

(49)

(50)

Nelle figure 4.4 e 4.5 sono riportati invece i risultati del RTDS per un im-pianto monitorato che presenta problemi di natura termica, si può notare che nelle ore mattutine il problema non si presenta (figura 4.4(a)), i primi segni di perdita di prestazione si hanno dalle 9:30 UTC circa (11:30 ora locale), il malfunzionamento continua per tutte le ore centrali della giornata (figure 4.4(c), 4.4(d) e 4.4(e)) dove l’errore rimane costantemente sopra la soglia ammissibile, per poi ritornare ad un normale funzionamento dell’impianto nel tardo pomeriggio (figura 4.4(f)).

Il RTDS riesce a riconoscere chiaramente il tipo di guasto grazie all’adde-stramento fatto sulla rete neurale interessata, infatti come si può vedere in figura 4.5, si identificano i problemi termici con un indice di affidabilità molto alto.

Il proprietario dell’impianto viene avvertito del malfunzionamento attraverso una mail di segnalazione(figura 4.6).

Il tempo impiegato dal sistema per simulare, riconoscere il guasto e inviare la mail rimane molto ridotto (4 secondi).

Gli ultimi esempi di funzionamento dell’RTDS si riferiscono alle prove sperimentali effettuate sull’impianto di test:

• Test di ombreggiamento (figura 3.11), i risultati sono riportati nelle figure 4.7 e 4.8;

• Test con materiale polveroso (figura 3.2), i risultati sono riportati nelle figure 4.9 e 4.10, un esempio di mail inviata al cliente (corrispondente anche a quella del caso di ombra sui pannelli) è illustrata in figura 4.11; • Test con pannelli oscuranti (figura 3.5), i risultati sono riportati nelle figure 4.12 e 4.13, un esempio di mail inviata al cliente è illustrata in figura 4.14.

I risultati riportati in questa sezione indicano che il RTDS è in grado di incrementare le funzionalità di REController realizzando un monitoraggio più accurato associato ad una diagnostica capace di rilevare malfunzionamenti poche ore dopo che questi si vengono a manifestare con tempi di simulazione molto brevi e con l’invio di mail di avvertimento ai clienti in caso di guasto.

(51)

(a) RTDS ore 8:00 UTC (b) RTDS ore 10:00 UTC

(c) RTDS ore 11:00 UTC (d) RTDS ore 13:00 UTC

(e) RTDS ore 14:00 UTC (f) RTDS ore 16:00 UTC

(52)

Figura 4.3: Risutati del RTDS relativi al 28/10/2013 per un impianto monitorato

(53)

(c) RTDS ore 12:00 UTC (d) RTDS ore 14:00 UTC

(e) RTDS ore 16:00 UTC (f) RTDS ore 20:00 UTC (fine giornata)

(54)

Figura 4.5: Risutati del RTDS relativi al 15/7/2013 per un impianto monitorato

(55)

Figura 4.6: Esempio di mail di segnalazione inviata al cliente per problemi termici sull’impianto

(c) RTDS ore 20:00 UTC

Figura 4.7: RTDS relativo alla prova di ombreggiamento sull’impianto di test

(56)

(57)

Figura 4.9: RTDS relativo alla prova con materiale polveroso sull’impianto di test

(58)

Figura 4.10: Risutati del RTDS relativi al 3/9/2013 per l’impianto test

Figura 4.11: Esempio di mail di segnalazione inviata per problemi di sporco o ombre sui pannelli

(59)

(60)

Figura 4.13: Risutati del RTDS relativi al 17/10/2013 per l’impianto test

Figura 4.14: Esempio di mail di segnalazione inviata per problemi di pannelli coperti

(61)

4.2. Shading Diagnostics System (SDS) 57

4.2 Shading Diagnostics System (SDS)

Si presentano in questa sezione due sistemi per la diagnostica delle ombre che insistono sugli impianti fotovoltaici; il primo si basa sul confronto tra le correnti di sottocampo (quindi sul lato DC) simulate e misurate; l’altro metodo si basa invece sul riconoscimento dei profili di produzione da parte di un impianto mediante una rete neurale.

4.2.1 Metodo di Confronto: Principio di

funzionamen-to

Questo metodo si basa sul confronto tra la misura e la simulazione della corrente DC per ogni sottocampo di un impianto fotovoltaico, in modo da capire meglio quale parte dell’impianto è colpita dal problema. I metodi di simulazione utilizzati sono ancora una volta il modello optoelettronico e la rete neurale.

Inizialmente questo sistema carica i dati informativi sull’impianto da ana-lizzare (nome identificativo, numero di sottocampi, ecc...) e si definisce il giorno da analizzare che in genere è il giorno precedente a quello in cui si effettua l’analisi.

Successivamente si caricano i dati simulati per ogni sottocampo, inclusi l’irradianza, l’angolo di incidenza solare (AOI ), gli angoli di Zenit e Azimuth solare, il timestamp, la temperatura dei moduli ed infine un indice di clear-sky calcolato come rapporto tra l’irradianza totale vista da satellite e quella che si avrebbe in caso di cielo sereno.

Dopo aver caricato anche i dati misurati è possibile iniziare con la diagnostica vera e propria; come prima cosa viene calcolato l’errore relativo percentuale tra la corrente di sottocampo misurata e simulata secondo l’equazione 4.2, andando a togliere i punti di bassa produzione per evitare falsi allarmi, dunque: erel = 100 · _I DCsim− IDCmis IDCsim (4.2) Si definisce in seguito la soglia di accettabilità dell’errore in base alla quale si costruisce un vettore, che ha 0 in corrispondenza delle misure dove l’errore è sotto la soglia e uno quando l’errore supera la soglia, successivamente si

(62)

4.2. Shading Diagnostics System (SDS) 58

conta il numero di errori sopra la soglia che si hanno nel giorno analizzato, si definisce dunque un indice di persistenza del guasto (Faults States Ratio, F SR) calcolato come il rapporto tra gli errori sopra soglia e il numero totale di punti analizzati.

Viene analizzato in seguito il punto in cui si ha il massimo dell’errore, che dovrebbe corrispondere al momento di massimo ombreggiamento e si va a vedere che l’errore si mantenga sopra la soglia almeno per un’ora (parametro modificabile a seconda delle esigenza del cliente) in modo da

evitare segnalazioni per errori isolati.

In definitiva se l’errore sta sopra la soglia per un periodo di tempo superiore a quello minimo impostato si registrano, in una tabella appositamente creata nel database, i seguenti dati:

1. Identificativo dell’impianto; 2. Timestamp di massimo errore;

3. Temperatura media dei moduli per un determinato intervallo di tempo intorno al punto massimo errore;

4. Angoli di Zenith e Azimuth solare (SZA e SAA); 5. Angolo di incidenza solare (AOI)

6. Indice di Clear-Sky medio per un determinato intervallo di tempo intorno al punto massimo errore;

7. Faults States Ratio.

Se non si verificano le condizioni per segnalare un possibile ombreggiamento i valori inseriti nella tabella sono tutti impostati pari a 0.

Successivamente è necessario definire il numero di giorni da analizzare in modo da caricare dalla precedente tabella i dati di segnalazione di ombre per l’orizzonte temporale stabilito, quindi si rileva definitivamente un’ombra se le segnalazioni sono diverse da 0 e se si verificano con SZA e SAA simili; infatti se un ostacolo fisso fa ombra su dei moduli lo farà quando il sole si trova in una stessa zona del cielo, accedere agli angoli solari è sicuramente più affidabile rispetto al timestamp perché identificano con maggiore precisione