Sviluppo di algoritmi di diagnostica predittiva in impianti fotovoltaici

Il sempre maggior sviluppo di fonti rinnovabili, in particolare del fotovoltaico, ha introdotto nuove problematiche, di gestione e manutenzione degli impianti, sempre più rilevanti in un contesto di sistema energetico complesso. In particolare una delle maggiori criticità risiede nel monitoraggio dell’elevato numero di impianti presenti in Italia e nel Mondo al fine di garantire, per ognuno di essi, un corretto funzionamento all’interno di un sistema integrato. In particolare il 15 dicembre 2015 (COP21), data della conferenza sul clima di Parigi, ha visto concretizzarsi il primo vero accordo mondiale e giuridicamente vincolante sul clima. L’accordo definisce un piano d’azione globale al fine di evitare i cambiamenti climatici in atto limitando il riscaldamento globale al di sotto di 2°C. Questo obiettivo può essere raggiunto soprattutto attraverso una significativa elettrificazione dei sistemi termici esistenti mediante l’introduzione di sistemi di produzione di energia da fonti rinnovabili. Questo, unito ad una significativa riduzione dei costi di questa tecnologia, sta portando alla transizione da una logica di produzione e utilizzo centralizzata dell'energia a una distribuita. La generazione, infatti, apparterrà sempre di più alla piccola e media generazione distribuita sul territorio rispetto alla grande centralizzata. La svolta, in Italia, è arrivata con il fotovoltaico e con le prime incentivazioni del Conto Energia che sono state protagoniste dell’espansione sia del numero degli impianti, sia della potenza installata. A fine 2016 si trovavano in Italia oltre 700.000 impianti fotovoltaici, per una potenza complessiva di 19.283 MW che hanno generato, nello stesso anno, una produzione effettiva di energia elettrica di 22.104 GWh (gli impianti di piccola taglia (potenza inferiore o uguale a 20 kW) costituiscono oltre il 90% degli impianti totali installati in Italia e rappresentano il 20% della potenza complessiva nazionale.). La fonte rinnovabile che nel 2016 ha fornito il contributo più importante alla produzione elettrica effettiva è quella idraulica (42% della produzione elettrica da FER), seguita dalla fonte solare (oltre il 20%), dalle bioenergie (18%), dalla fonte eolica (14%) e da quella geotermica (6%). Tutte fonti distribuite che sono state installate in massima parte ed escluse l'idroelettrico e il geotermico, negli ultimi dieci anni. Nonostante ciò il sistema di trasmissione e distribuzione dell’energia non ha avuto alcun sentore di default. Questo è stato reso, in parte, possibile grazie alla raccolta e all’analisi di dati provenienti dagli impianti stessi. È quindi evidente come un sistema di monitoraggio dei singoli impianti sia ormai imprescindibile per garantire il corretto funzionamento dell’intero sistema elettrico. Dalla disponibilità dei dati di ogni singolo impianto nasce quindi la possibilità non solo di monitorarne il corretto funzionamento ma anche di eseguire un’analisi predittiva su due differenti livelli: • Predizione potenza prodotta dall’impianto; • Predizione del verificarsi di un guasto che comprometterebbe il corretto funzionamento dei dispositivi costituenti l’impianto fotovoltaico. In particolare la sola produttività dell’impianto risulta essere un’informazione generica per individuare eventuali problematiche riguardanti l’impianto e per eseguire un’identificazione esatta del tipo di guasto. Pertanto è necessario, mediante nuovi e ancora più avanzati algoritmi, pianificare una strategia di rilevamento e diagnosi dei guasti in grado di migliorare le efficienze del sistema fotovoltaico, evitare gli elevati costi di manutenzione e perdite di energia prodotta, con ripercussioni sia a livello di impianto che di sistema elettrico, e ridurre i rischi legati alla sicurezza. Nello specifico in questo elaborato si è voluto verificare la possibilità, partendo da uno storico di dati, di predire, per differenti orizzonti temporali, la futura presenza di un guasto lato inverter. Il sempre maggiore interesse, da parte di ricercatori e professionisti alle tematiche della diagnosi, hanno portato allo sviluppo di diverse tecniche di rilevamento dei guasti che possono essere raggruppate in due diverse famiglie: algoritmi basati sul modello e altri basati sui dati. Nel nostro studio la disponibilità di serie storiche ha consentito l’addestramento di modelli di diagnostica statistica. Tali modelli, inferendo la correlazione tra ingresso (variabili d’input) ed uscita (funzionamento in condizioni nominali o in presenza di guasto) hanno consentito la classificazione di ogni pattern d’ingresso nelle due classi di nostro interesse, Fault – No Fault. La scelta del tipo di modello utilizzato è ricaduta sui modelli statistici in quanto consentono di far fronte alla sempre più elevata complessità impiantistica e alla natura fortemente non lineare del nostro problema, che non potrebbero essere descritti, se non con rilevanti sforzi, mediante metodi fisici. Vengono quindi presentati due differenti algoritmi su base statistica: Rete Neurale (NN) e Autoencoders (AE), mediante i quali si è cercato di rilevare “l’impronta” del guasto per diversi orizzonti temporali. Durante l’analisi si è verificato come l’orizzonte temporale di previsione del guasto e la sensibilità del modello, intesa come capacità di rilevare in maniera corretta la futura presenza di guasto, siano notevolmente influenzati dalla statistica disponibile. In una prima fase, al fine di testare le capacità dei vari algoritmi, si è utilizzata una simulazione Montecarlo in modo da avere dei primi risultati che fossero il più possibile mediati sull’intero data set disponibile, dopodiché in un’ottica di funzionamento Online è stato sviluppato un approccio di tipo ensemble. Come accennato in precedenza una delle problematiche più rilevanti nello sviluppo dei modelli è risultata essere la limitata statistica, ovvero il ridotto numero delle istanze dei guasti rispetto a quelle identificate dal funzionamento in condizioni nominali; per fare fronte a ciò sono stati utilizzati diversi algoritmi di ricampionamento, oversampling e undersampling, dei data set. Nell’intera ottica di sviluppo degli algoritmi si è cercato, fin dalle prime fasi, di implementare modelli in grado di generalizzare il loro funzionamento in maniera del tutto indipendente dalla taglia, tecnologia e storico dati dell’impianto in modo che potesse essere assicurato un loro funzionamento per una più ampia casistica possibile