A data-driven approach for power loss detection in utility-scale solar power plants

Gjennom en økt industriell utvikling sentrert rundt solcelleteknologi, volumøkning og komponent relaterte kostnader, har drift og vedlikehold av solcellesystemer vokst frem som et av de viktigste områdene for forskning og utvikling på verdensbasis. Formålet med denne oppgaven er bruke data fra ett storskala solcelleanlegg for å detektere effekttap på anlegget og å tilby operatørene av anlegget varsler om system oppførsel utenom det vanlige. For å angi hva som er oppførsel utenom det vanlige beregnes forholdet mellom målte verdier fra system og estimerte verdier for hvordan system burde oppføre seg. De estimerte verdiene er beregnet basert på fysiske modeller og maskinlæringsmodeller. Etter en evaluering av modellene viser det seg at ikke-lineære maskinlæringsmodeller har høyest evne til å estimere de målte verdiene for effekt, strøm og spenning til flere invertere på anlegget. Modellene baserer seg på målt solinnstråling og en estimert temperatur på solcellene. Videre blir det vist at maskinlæringsmodellene gjør det bedre når flere variabler er inkludert, som inverter temperatur, cosinus og sinus transformasjoner av dagen på året, timen på døgnet og andre variabler som beskriver sky-forholdene. Resultatet er at den beste maskinlæringsmodellen har en gjennomsnittlig usikkerhet i intervallet mellom gjennomsnittlig og maksimal måleusikkerhet for strøm, spenning og effekt. Fysiske modeller og den beste maskinlæringsmodellen blir så brukt for å detektere hendelser som gir effekttap på inverteren. Resultatet, basert på de beregnede terskelverdiene, er at modellene virker å kunne detektere tilsmussing av solcellemodulene og hendelser hvor flere strenger underpresterer i forhold til forventet produksjon. Fra resultatene ser det ut til at tilsmussing av solcellemodulene er høyest midt i anlegget fra øst til vest. Modellene klarer derimot ikke å detektere hendelser hvor et par stringer er frakoblet eller hvor ytelsen til ett eller flere streng-par synker gradvis. Majoriteten av de detekterte hendelser er tilfeller hvor den målte strømmen er lavere enn den estimerte strømmen. Det blir derfor naturlig å tro at inverteren heller vil redusere strømmen for en streng som opplever en feil, enn å redusere spenningen på alle tilkoblede strenger. Av den grunn blir det mulig å monitorere hvert streng-par på anlegget for å evaluere forholdet mellom målt og estimert strøm. Basert på denne evalueringen er det mulig å detektere streng-par som opplever en nedgang i ytelsen. strengene med en nedsatt ytelse ble vurdert opp mot infrarøde bilder. Resultatet var at de tre streng-parene med høyest termisk defekt også kunne detekteres ved å evaluere forholdet mellom målt og estimert strøm, ved hjelp av metodene presentert i oppgaven.With increased industrial development centred around photovoltaic (PV) production technologies, volume growth and component related cost reduction, operation and maintenance (O&M) of PV systems emerge as one of the most important R&D topics worldwide. Therefore, the purpose of this thesis is to detect power loss in utility-scale solar power plants and provide power plant operators with information about abnormal system behaviour. Abnormal behaviour is based upon the ratio between measured system behaviour and estimated system behaviour for power current and voltage. The estimated values are calculated by both physical models for PV systems and machine learning models. Based on the evaluation of the models, non-linear machine learning models have the best predictive ability with solar irradiance and solar cell temperature as explanatory variables. The predictive ability is further increased with the introduction of new variables such as inverter temperature, cosine and sine transformation of the day in the year, the hour of the day and estimations of the sky conditions. As a result, the best performing model has a mean model uncertainty between the average and maximum measurement uncertainty for power, voltage and current. The estimates from these models are used to detect power loss events on the inverter. The result is that, based upon the chosen threshold values, the models are able to detect possible soiling and other events when multiple strings reduce their performance. Soling tends to accumulate at a higher degree in the middle of the site from east to west. However, the models are not able to detect scenarios where only a couple of strings are disconnected or when the performance of the string slightly decreases trough time. Furthermore, most of the events detected are due to a lower measured current than estimated. Therefore, it is believed that the inverter favours lowering the current of the strings where a possible fault is present instead of lowering the voltage on the array. The high amount of low current events enables monitoring of each string-pair, where the ratio between the measured and estimated current is evaluated. Based on this evaluation it is possible to detect strings which have a decreasing performance. These strings were then evaluated against infrared images where the top 3 thermal defects could be found based upon the evaluation of the ratio between the measured and estimated current for a chosen inverter.M-M